世界模型这个术语至今在业界尚无统一界定。有人称之为世界基座模型，有人叫它物理AI，还有人不单独命名，而是将其融入自动驾驶大模型、VLA或具身智能系统的架构之中。
阿里的Qwen-AgentWorld、HappyOyster和Qwen-RobotWorld分别指向语言世界、虚拟世界和物理世界；腾讯的HY-World倾向于3D可编辑世界；车企更常提及驾驶世界模型或世界行为模型；华为、百度则干脆不提“世界模型”四个字。
命名上的分歧背后，各方在做同一件事：
让机器在实际行动前，先在内部构建一个可推演、可复盘的动态环境，减少对真实数据的无限依赖，将实际世界凝练成一个能无限生成、无限试错、无限循环的数据引擎。
IT桔子最近盘点并发布了国内33家“世界模型”创业公司的报告，吸引了行业目光。今天我们再来梳理大公司在这一领域的布局——
当创业团队还在为数据采集权和算力预算绞尽脑汁时，阿里巴巴、腾讯、华为、蔚来、小鹏、理想已不动声色地将世界模型铺展成一条新赛道。
世界模型承载着一种抱负：让AI超越对世界的识别，先在脑海中预演一遍整个世界。
自动驾驶厂商试图用它生成雨天、雪天、异型障碍物等“考题”；具身智能团队希望机器人在仿真中摔打十万次后再进入现实；游戏与社交公司则想借此创造一个人们能沉浸进去的平行宇宙。
大厂入场的方式各有侧重，然而核心目标完全一致：把真实世界压缩成一个可无限推演、无限复盘的数据引擎。
一、互联网巨头：从数字世界延伸至物理世界
阿里的世界模型布局像是“将货架上的物品逐一摆出”。
2026年6月，它在十几天里接连打出三张牌：
6月16日的Qwen-Robot系列、6月17日的HappyOyster 1.0、6月24日的Qwen-AgentWorld。
Qwen-AgentWorld是一款原生语言世界模型，它不生成图片，而是创造环境——在MCP工具、搜索、终端、代码工程、Web、操作系统、Android这七个环境里，模型能模拟真实交互、自主学习、通过强化学习打磨自己。它提供两种规模：总参数35B和397B的MoE架构，激活参数分别为3B和17B；训练数据源自超1000万条真实环境交互轨迹；模型和评测基准AgentWorldBench均已开源。这相当于把世界模型当作智能体的“训练场”而非“装饰”。
HappyOyster 1.0则展现出另一副面貌，它更像一个“可上手的电影片场”：用户输入一句话或一张图，它生成一个开放式世界，并允许用户在“世界探索”和“实时导演”两种模式中自由干预。探索模式支持长达1分钟的连续实时位移与镜头控制，导演模式可产出3分钟以上的480p/720p实时画面。阿里将其定位为交互式游戏、虚拟陪伴、互动短剧、文旅体验等领域的入口。
Qwen-RobotWorld又走向另一个维度，它是阿里具身智能三件套中的“思考大脑”，与VLA操作模型Qwen-RobotManip、VLN移动模型Qwen-RobotNav协作，目标是让机器人具备一个可预演的内心世界。
三件事汇集起来，阿里正向语言世界、虚拟世界和物理世界同时争夺定义权。
腾讯混元选择的是另一条路径，其HY-World系列仿佛在搭建一座“3D游戏的自动化工厂”。
2025年7月，腾讯在WAIC上开源发布混元3D世界模型1.0；12月升级到1.5；2026年4月发布并开源HY-World 2.0。输入可以是文本、单图、多图、视频乃至白模，输出则可选3DGS、Mesh、点云。
2.0版本融合了HY-Pano 2.0、WorldNav、WorldStereo 2.0、WorldMirror 2.0等模块，将世界生成、世界重建、全景图、实时世界生成连为一个闭环。
腾讯的优势在于游戏和社交场景，HY-World的真正用户并非自动驾驶训练，而是做游戏关卡、虚拟拍摄、数字孪生。
字节跳动的世界模型项目宛如一场携带短视频数据基因的“秘密行军”。
2025年8月，The Information披露字节Seed团队正在研发世界模型，由前通义千问核心成员周畅带队。这个项目的最大底牌是抖音和TikTok每日超10亿次的视频流，以及能将单目视频转为4D多视角场景的EX-4D框架。它对标谷歌Genie 3和Meta V-JEPA 2，目标不是打造一个漂亮的视频生成器，而是构建一个能模拟物理规律的“数字孪生”。
2026年6月23日的火山引擎FORCE原动力大会上，字节没有直接推出这个世界模型，但展示了豆包Seed 2.1系列、Seedance 2.5视频生成模型、Seedream 5.0 Pro生图模型和新的音频生成模型。
而36氪的独家报道则将字节2026年的AI战略概括为四个命题：世界模型年底达成全球SOTA、Seedance探索动态生成、Coding巩固根基、豆包加速商业化。
这意味着，世界模型在字节内部处于首要位置，只是它暂且让Seedance和Doubao站在前台，自己继续积蓄力量。
华为盘古世界模型则显露出一种“低调但致命”的特质。
在2025年6月的开发者大会上，华为发布盘古大模型，基于盘古多模态大模型，核心能力在于从单张图片生成高精度数字物理空间。它能预测碰撞、训练机械臂抓取，还能生成驾驶视频和激光雷达点云，助力华为ADS端到端模型实现“两天一个版本”。
华为没有打出“世界模型”的旗号，而是将其作为智能汽车和具身智能的“训练底座”。与广汽的合作就是典型示例：2D视频和3D点云像素级对应，数分钟复原复杂Corner Case。
2026年6月的HDC 2026上，华为将盘古大模型推至7.0，并发布昇腾910C，余承东重新挂帅盘古，但世界模型本身没有单独的新版本消息。
这种“世界模型不独立存在，而是服务于产业闭环”的思路，正是华为一贯的作风。
百度在自动驾驶领域更早切入，2024年5月发布的Apollo ADFM被定位为“全球首个支持L4级无人驾驶的自动驾驶大模型”。
虽然百度未将其命名为世界模型，但它实质上具备了世界模型的功能：通过端到端神经网络理解物理世界、预测交通参与者行为。2025年11月，文心大模型5.0以原生全模态形态亮相，参数规模达2.4万亿；2026年1月上线正式版。
百度的世界模型能力已隐藏进更大的棋局中。百度的策略是：不单独谈论世界模型，而是让Apollo和文心互为表里。
小米和商汤则代表了两种“技术流派”。
小米2026年5月13日开源的Xiaomi OneVL，将VLA、世界模型和潜空间推理统一到同一个框架内，强调视觉推理过程的可解释性，做的是自动驾驶和具身智能共用的基础件。
商汤绝影的“开悟”更像一个已上岗的“老司机”，2025年9月弗若斯特沙利文的报告中，它被定义为行业首个已量产、可交互的世界模型，能生成150秒、1080P、11视角的驾驶视频，并沉淀出业内最大规模的生成式驾驶数据集WorldSim-Drive和千万级生成场景库。
2026年6月，由商汤联合创始人王晓刚创立的大晓机器人又宣布完成数亿美元融资，其开悟Kairos世界模型3.0在具身视频生成、任务指令追随等层面位居生成预测四大榜单首位。
商汤系的世界模型，正从智能汽车向机器人领域进一步延伸。
二、车企：将世界模型用作驾校与考场
如果说互联网大厂的世界模型是在“创造世界”，那车企的世界模型就在“应用世界”。
蔚来是国内车企中最先高擎世界模型旗帜的。
2024年7月的NIO IN上，任少卿发布NWM（NIO World Model），定位为中国首个智能驾驶世界模型。
它采用多元自回归生成架构，执行两项任务：空间上的“想象重建”和时间上的“想象推演”。
给定一个真实场景，它能还原出3D世界；给予一个三秒提示，它能生成两分钟以上的未来视频。每0.1秒，它推演216条轨迹，选出最优解。
蔚来的逻辑很清晰：端到端模型不足够，真正聪明的智驾系统需要能像人一样“闭眼也能想象路况”。2026年6月18日，蔚来正式推送全新版本NWM 2.0，覆盖超70万全系用户，即便四年前购车的老车主也能免费升级，Banyan、Cedar、Coconut+四大整车系统同时发版。新版率先在国内实现智驾模型直接输出方向盘、加减速踏板的原始操作信号，并将训练体系从“世界模型+闭环强化学习”提升为“世界模型+监督微调+闭环强化学习”三层。AEB覆盖场景达到标准AEB的6.7倍，误制动概率降至十万公里一次。
神玑NX9031芯片甚至被描述为“为世界模型而生”。
理想汽车在2024年下半年提出了“重建+生成”的世界模型思路，并在CVPR 2025发布了DrivingSphere。
它由OccDreamer扩散模型和VideoDreamer ST-DiT构成，构建了一个高保真4D闭环仿真环境。
传统开环仿真只能评价模型“看见了什么”，而闭环仿真能评价模型“做了什么”。理想的世界模型就如同一座可无限生成错题的考场，让智驾系统在芯片内先把刁钻场景跑熟。
到2026年6月的Livis Day，理想将这项能力进一步升级为“马赫VLA”，原生多模态MoE架构，将感知、预测、规划统一起来，车端双M100芯片算力达2560TOPS，反应时间0.28秒。
依据理想公布的路线图，第三季度将向AD Max用户推送全新马赫VLA，第四季度目标对齐特斯拉FSD V14。理想不再仅是一家汽车公司，它正将自己塑造为具身智能系统Livis的提供商。
小鹏汽车的路径则显示出“先做大，再做精”的层次感。
2025年4月，小鹏在香港的AI技术分享会上首次披露正研发720亿参数的超大规模自动驾驶“世界基座模型”。
一年后，2026年4月1日，小鹏正式发布X-World世界模型技术报告。
它基于视频扩散生成技术，在WAN 2.2的潜空间视频生成范式上进行改造，采用3D因果VAE和视角-时间自注意力DiT，支持7路环视摄像头跨视角一致生成。
X-World并非视频生成工具，而是小鹏第二代VLA的“现实世界模拟器”：仿真场景从一年前的3万个扩充到50多万个，每日仿真测试里程等效于3000万公里实车测试，并支持在线强化学习和海外数据生成。
2026年6月的CVPR上，小鹏又首次呈现了完整的世界模型技术图谱。小鹏的雄心体现在其应用范畴上：AI汽车、AI机器人、飞行汽车。它的训练数据规模目标定为2亿段clips，万卡集群提供10 EFLOPS算力，每5天完成一次迭代。
吉利汽车在2026年CES上推出了WAM（World Action Model），并将其嵌入全域AI 2.0体系。
WAM的分层架构很有特色：上层由多模态大模型MLLM负责理解，下层由Action Expert负责动作，中间是世界模型负责推演。
吉利的目标不仅是优化智驾模型，而是让整车变为“一个大脑”——智驾、座舱、底盘、动力统一调度。2026年4月，极氪8X上市即交付，成为国内首款量产上车的舱驾融合超级智能体，其G-ASD 4.0就基于WAM。2026年目标实现高速L3和低速L4。
比亚迪的世界模型尚在早期预研，2025年1月披露的信息显示，它内部参考特斯拉路径，组建小团队快速试错，重点解决端到端智驾的Corner Case数据生成。
长城也提出了VLA + 世界模型的下一代智驾方向，并从“战略”走向“量产”：2026年6月，长城在智能驾驶与出海大会上分享了VLA实践，保定九州超算中心算力达5 EFLOPS，GPU逾万张，坦克700将成为首款搭载Coffee Pilot 4.0 VLA系统的车型，2026年内量产上车。超200万辆的存量车队每日产出海量数据，这是长城对比造车新势力最厚实的资产。
三、智驾供应商：嵌在车底的世界引擎
在车厂之外，另有一批供应商将世界模型打造成了“隐形引擎”。
Momenta于2026年4月的北京车展上正式发布R7强化学习世界模型，并实现量产首发。
它是一个三层架构：世界模型预训练、世界模型仿真、强化学习。R7基于Momenta量产业务带来的逾120亿公里实车里程，从中提炼出超过1亿段“黄金数据”用于预训练，再让模型在仿真中经历大量长尾场景，最后用强化学习打磨。
Momenta直接将它嵌入端到端基座模型，目标达到L4级标准。商业数据也在迅速膨胀：搭载Momenta系统的量产车辆已突破90万台，成功交付超100款量产车型，累计定点超210款，方案落地英国、挪威、新加坡、澳新等超10个国家和地区。
2026年6月，Momenta通过港交所聆讯，以“物理AI第一股”和65%的第三方城市NOA市占率冲刺上市。足见其对世界模型的投入。
地平线在2026年5月发布了HorizonDrive，一个自回归世界模型，核心本领是分钟级的长时序驾驶视频生成。
它利用video-VAE在潜在空间工作，输入高清地图、3D边界框和自车动作，再输出连续的未来场景。
HorizonDrive的亮点在于“自纠错”训练：借助SRR和TRD技术，让模型在生成出错时自行修正。在nuScenes上，它的FID降低52%、FVD降低37%、轨迹精度提升21%；单张RTX 5090可生成256×512视频，速率5.6 FPS，或384×768视频1.7 FPS。其定位是闭环自动驾驶仿真，助力车企在不上路的情况下验证L3+系统。
毫末智行的DriveGPT是国内较早喊出“世界模型”口号的项目之一。
2023年4月发布的“雪湖·海若”是一个生成式自动驾驶大模型，用下一帧预测的方式建立4D表征空间。它背后是100亿帧互联网图片、480万段4D Clips和8700万公里辅助驾驶里程。
毫末的路线与特斯拉World Model、Wayve GAIA-1相似：让自动驾驶大模型从“看图片”进化到“看视频”，再进化到“预测视频”。它为长城魏牌、小魔驼无人车等场景提供能力。
元戎启行在2025年8月26日发布DeepRoute IO 2.0平台，搭载自研VLA模型。
2026年4月的北京车展上，元戎又进一步发布基座模型技术与物理AI战略，并公布商业化数据：搭载其城市NOA方案的量产车辆超过30万辆，过去一年搭载元戎主动安全系统的车辆累计真实道路运行里程超13亿公里，累计陪伴用户驾驶时长4480万小时。
元戎没有单独为世界模型命名，但在DeepRoute IO 2.0的仿真和训练体系中，世界模型是隐藏的核心。
四、创业公司和大厂：两张地图，同一座城
在IT桔子发布的首批中国世界模型创业公司研究报告中，那是一幅由技术路线和融资故事拼成的地图。
而这张大厂布局表，是另一幅地图。
两幅地图导向同一座城池：谁能令AI真正理解物理世界，谁就掌握下一个时代的入口。
创业公司的长处在于专注和敏捷。
它们可押注一条激进的路线，如原生世界模型、3D空间生成、VLA物理引擎，不被现有业务束缚。但它们缺乏数据、算力、量产渠道，更缺少一个能将世界模型持续喂养壮大的真实场景闭环。
大厂的短处是组织惯性和多部门并行带来的命名混乱——阿里的三个世界模型项目甚至令外人难以分清是否同属一件事。但大厂手中握有数据、算力、用户、车辆，还有把模型运行起来的工程体系。创业公司打造的是“模型”，大厂构建的是“系统”。
最危险的时刻，是大厂将世界模型从“研究项目”转变为“业务底座”之际。华为盘古大模型服务于ADS和机器人，腾讯HY-World服务于游戏和工业，理想DrivingSphere服务于智驾迭代，商汤开悟已量产上车，Momenta R7已运行在超90万台车上——
这些不是发布会上的PPT，而是正步入产品流水线的“能力”。对创业公司而言，世界模型的窗口期在收缩，未来的竞争会快速从“谁能做出世界模型”演变为“谁的世界模型能被大厂用得动、用得好”。
五、世界模型并非风口，而是旧战争的升级
世界模型并非全新故事。
它是语言大模型、视频生成模型、自动驾驶端到端模型、机器人VLA模型在物理世界交汇后的必然产物。
大厂纷纷入局，意味着这件事已从“技术极客的玩具”演变为“产业基础设施”。
阿里、腾讯、字节、华为、百度、小米、商汤在数字世界与物理世界之间架桥；蔚来、理想、小鹏、吉利、比亚迪、长城将“桥”修到了汽车之上；Momenta、地平线、毫末、元戎则在桥下铺设铁轨。
创业公司站立在桥的尽头，手中握着更精巧的设计图，却不得不应对大厂正在调动工程队的事实。
随后一年，世界模型赛道的核心诘问不会是“谁做了”，而是“谁的世界模型真正在替人理解世界”。
