兔展智能联合北大、鹏城实验室研发的 UniWorld-View 登顶斯坦福李飞飞团队 WorldScore 榜单。给它一张图或一段随手拍的视频，它能还你一段"相机轨迹任你指定"的新视角视频——推、拉、摇、移，甚至绕场景 360° 转一圈，代码与权重已全部开源，并已适配国产昇腾算力。
注：WorldScore 官方未公开各模型精确分值，上表按报道披露的相对排位示意；柱形长度仅作直观对照，非真实分差。UniWorld-View 以"遮挡感知点云渲染 + 双流条件注入"的技术组合拿下榜首。
WorldScore 由斯坦福李飞飞团队推出，专门评测世界模型在空间理解与生成上的能力。它衡量的不是"模型会不会画"，而是"模型懂不懂得这个世界的三维结构"。
新视角合成（Novel View Synthesis）是其中最硬核的子任务之一——本质是让 AI"脑补"没拍到的角度。难点全在"大基线"三个字上：只给 AI 看正脸，让它画出侧脸，甚至后脑勺。
看得越多建得越好。可随手拍的单目视频视角覆盖约等于零，喂进去轻则空洞伪影满天飞，重则直接摆烂。
敢画，但把相机位姿当"口头指令"塞进模型，没有显式 3D 建模，走两步就飘，转大角度直接失控。
先用几何模型撑成 3D 点云，再把目标视角的点云渲染图喂给视频扩散模型当条件。几何归几何，生成归生成。
ViewCrafter、英伟达 GEN3C 走的也是第三条路，但 UniWorld-View 在这条路线上填了一个大家都踩过、却没人认真处理的坑。
第三条路上藏着一个共同的坑：点云渲染会穿帮。点云是一堆孤立的点，既不知道谁跟谁相连，也不知道哪面朝外。视角一转大，两种经典穿帮就来了。
几何理顺了，还剩第二个矛盾：点云渲染图"位置对，但内容缺"；源视频"内容全，但位置不对"。怎么让生成结果既贴合目标视角，又和原视频长得一模一样？
点云渲染图 + mask，编码后加到潜变量上，负责把生成内容死死钉在 3D 结构上。
源视频走新设计的 Ref-DiT 模块——新视角特征当 Query，源视频特征当 Key/Value 做 cross-attention，让模型自己去原视频里"翻素材"，哪儿缺补哪儿，连点云伪影造成的糊纹理都能顺手修掉。
既然能任意换机位，那多换几个机位，单目视频不就变成多视角视频了？多视角视频一到手，4D 重建（动态 3DGS）就从"不可能任务"变成常规操作。
这里有个巧思。常规生成式方法的相机是"边走边拍"，空间变换和时间推进耦合在一起，视角在 4D 空间里分布极不均匀。UniWorld-View 直接把两者解耦，分两步走：
最终，单目随手拍 → 可自由视角漫游的 4D 场景，一条龙打通。前景的自遮挡靠迭代生成逐步补全。
本篇报道源自企业通稿性质的信息发布，WorldScore 榜单的完整评分明细与各模型精确分值未见第三方独立复测，排位以报道披露为准。读者可带着"单方披露"的背景理解此次登顶——技术路线（遮挡感知渲染 + 双流注入）的工程逻辑是自洽且可复现的，但"榜首"的具体含金量需以官方开源仓库的实测数据为最终依据。
当世界模型的竞争从"谁敢画"进入"谁懂三维"，胜负手已从参数规模转向几何先验与生成模型的工程协同——这条路线将决定空间智能能否真正落地到机器人与具身智能。
UniWorld-View 代码与权重已全部开源，训练数据来自北大系初创企业元空智能，并已适配国产昇腾算力。
GitHub 仓库 → PKU-YuanGroup/UniWorld-View