答案已發布14 個來源
幾張照片，就能搭出機器人可探索的 3D 世界？認識 Mundo
Mundo 據報可將 1 至 12 張實景照片轉成可編輯的 3D 場景，供機器人探索與模擬使用。 它的核心構想是以 3D 場景資料描述物件與物理屬性、模擬場景變化，再用影片模型呈現結果，而非只生成一段只能觀看的影片。 Hugging Face 專案文章發布於 2026 年 10 月 23 日；Pandaily 後續報導提到程式碼與權重預計於 11 月底前釋出，但目前提供的資料無法確認是否如期發布。
發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- Mundo 據報可將 1 至 12 張實景照片轉成可編輯的 3D 場景，供機器人探索與模擬使用。
- 它的核心構想是以 3D 場景資料描述物件與物理屬性、模擬場景變化，再用影片模型呈現結果，而非只生成一段只能觀看的影片。
- Hugging Face 專案文章發布於 2026 年 10 月 23 日；Pandaily 後續報導提到程式碼與權重預計於 11 月底前釋出，但目前提供的資料無法確認是否如期發布。
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Mundo, the world model unveiled by ACE Robotics and Nanyang Technological University’s S-Lab and reported on October 31, 2026, and h. Article summary: Mundo is a scene-specific world-model system that turns photographs of a real place into an explicit 3D scene that can be explored, edited and simulated, with a video model rendering the results rather than merely genera. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Mundo 是一項面向機器人測試與訓練的世界模型專案，目標是把特定地點的照片轉成可探索、可編輯，也能進行物理模擬的 3D 場景。它的關鍵不只是「把照片做成影片」，而是先建立場景結構與資料，再模擬場景如何變化，最後透過影片模型呈現結果。2
12
不只重現畫面，也要描述場景
Mundo 的專案介紹指出，系統會為照片中的環境建立 3D 代理場景，並以場景程式記錄物件、位置與物理屬性，也描述場景狀態如何隨時間更新。2 換句話說，這個場景模型不只呈現房間看起來如何，也包含可供編輯與模擬的資訊。
另一份技術整理則提到，Mundo 的流程會使用物理模擬器（主要是 MuJoCo），再由微調過的影片模型呈現模擬結果；該整理也稱，影片模型以 MiniMax-H3 的參考圖轉影片系統為基礎，使用約 4 萬組影片配對進行調整。這些細節並未出現在目前提供的 Hugging Face 文章摘錄中，因此應視為次級來源的說法。12
從照片建立可互動的 3D 場景
Pandaily 的報導摘要稱，Mundo 可將 1 至 12 張真實地點照片轉成具有物理屬性、可編輯的 3D 場景，供機器人導航與操作情境的渲染使用。15 專案文章也說明了從特定地點影像建立場景世界的整體做法。
2
不過，現有資料沒有完整說明系統如何分別處理單張照片與多張照片。單張影像無法呈現房間或物件的所有面向，多個視角則能提供更多觀察資訊；但目前提供的來源並未確認 Mundo 的具體重建方法、如何估算相機位置，或如何補足照片中看不到的區域。因此，對這些細節不宜下定論。
為什麼機器人需要可編輯的場景？
明確描述場景的資料，有助於研究者更動物件或其屬性，並在模擬環境中測試動作。RobotHOT 的介紹指出，Mundo 可在場景程式中加入質量、摩擦力等物理屬性，並透過物理引擎計算運動、接觸與碰撞；該介紹也提到，代理程式可編輯場景中的物件、屬性與動作。7 這類可互動環境，被定位為機器人測試與訓練的用途之一。
7
15
理解 Mundo 的一個方式，是把「場景狀態」和「畫面呈現」分開看：場景程式負責描述物件與物理行為，影片模型則負責輸出視覺結果。這和只靠生成像素來代表環境的做法，著重點並不相同。2
12
目前還不能確認的細節
現有來源未能證實某些報導或提問中提到的具體流程，包括物件框偵測、視覺語言編輯代理與檢查代理、數值最佳化，以及長相機路徑與重疊片段的處理方式。來源也未能確認特定展示案例，例如飯店導航或操作家用物品，以及重建時間、影格率、GPU 數量和推論設定等效能數據。
對於小型物件可能懸浮、缺乏長期場景記憶，以及特定影像或影片解析度等說法，也應採取同樣審慎的態度。這些資訊或許出現在更完整的專案資料中，但目前提供的摘錄並未支持它們。較有根據的概括是：Mundo 被描述為結合可編輯 3D 代理場景、物理模擬與影片呈現的系統，目標是支援機器人探索與互動。2
7
12
專案發布時程
Hugging Face 上的 Mundo 社群文章日期為 2026 年 10 月 23 日。2 Pandaily 於 10 月 31 日的報導則稱，程式碼與權重預計在 11 月底前釋出；不過，現有資料無法確認後續是否如期發布。
15
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「幾張照片，就能搭出機器人可探索的 3D 世界？認識 Mundo」的簡短答案是什麼？
Mundo 據報可將 1 至 12 張實景照片轉成可編輯的 3D 場景，供機器人探索與模擬使用。
最值得優先驗證的重點是什麼？
Mundo 據報可將 1 至 12 張實景照片轉成可編輯的 3D 場景，供機器人探索與模擬使用。 它的核心構想是以 3D 場景資料描述物件與物理屬性、模擬場景變化，再用影片模型呈現結果，而非只生成一段只能觀看的影片。
接下來在實務上該怎麼做？
Hugging Face 專案文章發布於 2026 年 10 月 23 日；Pandaily 後續報導提到程式碼與權重預計於 11 月底前釋出，但目前提供的資料無法確認是否如期發布。