另一拨走纯三维重建路线。用传感器数据重建周围环境的三维几何，精度很高，能准确描述"现在是什么样"。但它做不了"接下来可能怎么样"的预测--就像一个摄影师能拍出极其精准的照片，但无法告诉你下一秒会发生什么。
所以行业一直在找一个能兼顾的方案。
小米的方案到底做了什么
小米这次发布的 Xiaomi Auto World Model，核心是两个模块的深度耦合。
WorldRec（重建模块）。用 sparse queries（稀疏查询）和 3D Gaussian（三维高斯表示）来锚定几何。通俗地说，就是先把物理世界的"骨架"搭准--路在哪里、车道线怎么走、周围的物体在什么位置，这些都用三维重建的方式固定下来，保证几何一致性。
WorldGen（生成模块）。在重建好的几何骨架上，用双向预训练（bidirectional pretraining）加因果微调（causal fine-tuning，4 步）来"填补想象"--基于准确的几何骨架，生成未来可能的画面。
这两件事分开做，都不新鲜。
新鲜的是把它们深度耦合在同一个框架里。
官方那句话的技术含义就在这里--"重建锚定几何"保证棋盘规则是准的，"生成填补想象"在准确的棋盘上推演各种可能的变化。不是两个模块简单拼在一起，而是一套统一的技术系统同时处理世界表征和世界生成。
这也是为什么它在 Waymo、nuScenes 这些主流 benchmark 上能拿到 SOTA。
（具体 benchmark 数字有待官方详细论文披露，目前官方口径是"全面 SOTA"。）
为什么说这个思路可能是对的
我认为世界模型的核心竞争不在生成质量，在几何一致性。这个判断不是凭空来的--我翻过几个开源世界模型项目的技术文档和实测报告，发现一个规律：凡是几何一致性差的，生成画面再好看，下游感知任务的错误率都高。我把它叫做"几何一致性优先法"--评价一个世界模型好不好，先看几何准不准，再看生成对不对，最后看一体化能不能落地。
还是回到那个下棋的类比。一个好的世界模型应该像一个棋手在脑子里推演棋局：棋盘规则必须准--车在马路上不能飞到天上去，这是几何一致性；推演变化可以灵活--前车可能刹车、旁边可能有车变道，这是生成能力。
纯视频生成的问题在于，它有时候会在棋盘上"变"出一个本来不存在的棋子。生成画面质量很高，但几何关系是错的。对人类来说一眼能看出"这路不对劲"，但对自动驾驶系统来说，它可能就会基于这个错误的几何信息做出致命的决策。
