Apollo World 与 SKY-001：当“世界模型”指三种不同职责时

Apollo World 和 SKY-001 相隔十五天发布，除了一个标签之外几乎没有任何共同点。Apollo World 是 Baidu 的智能体驱动模拟器，于 2026 年 11 月 3 日公布，它生成虚拟城市的摄像头和激光雷达观测数据，以便让自动驾驶出租车技术栈在完整行程上接受训练和评分。SKY-001 是 Skyfall AI 的工程世界模型，于 2026 年 10 月 19 日公布，它预测机械零件建造过程中视觉状态的有序序列——一份逐图展开的建造计划。一个将交通场景随时间向前推演，另一个将制造流程随时间向前推演。两者都被正确地称为世界模型，而这正是“世界模型”这个说法的问题所在。

这个词已悄然变成一个职位名称，而不是一个类别。如今有三款产品带着这个称呼：生成可供观看的环境的模型、模拟智能体可在其中行动的环境的模型，以及预测某个过程状态转移的模型。Apollo World 属于第二种，SKY-001 属于第三种。直接比较它们，就像把飞行模拟器与装配手册相比：两者都描述某事物如何展开，而你绝不会用其中一个去完成另一个的职责。

SKY-001 预测的是一座建筑，而不是一条街道

Skyfall AI 由 Maluuba 背后的团队创立，Maluuba 是微软于 2017 年收购的加拿大研究实验室；据报道，其支持者包括 Fidelity、Touring Capital、M13 和 iNovia。SKY-001 于 2026 年 10 月 19 日作为带候补名单的研究预览版发布。目前没有 API、没有定价、没有许可证，也没有权重；全面商业部署的目标时间是 2027 年初。

该架构分为两个阶段，二者均为在视觉状态而非文本 token 上运行的扩散 Transformer。

• 分层式 Composer 先生成整体设计，再递归地将其拆分为装配体、子装配体和零件，每一层级都可并行处理。这样一来，模型就避免了为复杂对象生成单一的整体图纸。

• Construction World Model 会预测构建每个叶部件所需的有序视觉状态序列，其采用基于俄罗斯套娃式自编码器的两遍扩散方案：先进行粗粒度潜在表示推演，再使用全分辨率细化器。

训练数据的说法规模庞大且具体：为合成器提供超过 20 万个部件、超过 60 万个构造示例，以及约 3.5 万张平面图，贡献了约 200 万个绘图状态。输出是一系列可视化方案——以图纸形式呈现的建造顺序。它不是可编辑的 CAD 特征历史，Skyfall 将特征级输出列为未来工作。

最后这一点区别是工程师最关心的。用一系列图片展示零件如何装配，对于评审、文档记录、训练下游模型以及发现不可能的操作顺序都很有用。但它不是能在 CAD 软件包中打开并编辑的模型，也不会给机械师提供刀具路径。

Apollo World 预测未来一秒的交通流量

百度在深圳 AI Day·Apollo 上的发布，被定位为对该领域的一次纠偏。智能驾驶事业群组首席架构师王亮认为，世界模型不应是制作惊艳视频的“画家”，而应是验证驾驶安全的“考官”。随后提出的“2+3”标准，是已公开资料中界定“什么才算数”的最清晰尝试。

两道门槛是因果性和交互性：因果性意味着下一状态由当前状态预测而来，而不是逐帧拼装后再回填；交互性意味着注入的动作会改变后续结果。三项被评分的属性是物理准确性、持久性和实时性能。持久性定义为长时间运行中物体和细节不出现漂移；实时性则受道路车辆所需的三十分之一秒（约33毫秒）决策周期约束。

模型的三项能力与此相对应。交通参与者是能自主决策的智能体，而非按脚本设定的道具，因此一辆刹车的自动驾驶出租车会改变其后方车辆的行为。摄像头和激光雷达实时生成，因此被测技术栈通过其在真实道路上使用的同一接口感知虚拟世界。行程实现端到端闭环——下单、接客、送达——覆盖任意起点和终点。百度表示，该系统已支持 Apollo Go 的全球验证，并称每天约 10 万模拟公里，相当于一辆配备安全员的汽车连续测试约三年。同时引用的还有 Apollo Go 的运营数据——28 个城市、超过 2300 万次出行、3.5 亿自动驾驶公里，其中 2.4 亿公里为完全无人驾驶。

没有参数、没有架构、没有论文、没有权重、没有价格。Apollo World 是首次被公开描述的内部基础设施，而不是一款有发布日、可供你购买的产品。

这些数字，以及43.6%的IoU意味着什么

Skyfall发布了两项基准测试，二者均为自报结果，且均未经过独立复现。在包含1,000个组件、每个组件约有100个绘图步骤的CAD构建任务上，SKY-001报告每例耗时3.9秒、成本$0.005，平均IoU为79.7%。GPT-6 Astra列为199秒、$0.75和79.1%；Gemini 4为253秒、$0.25和76.9%；Qwen 3.8 Max为764秒、$0.30和34.4%；Kimi K3为439秒、$0.13和9.5%；Grok 4.7在1,250秒内未产生任何输出。

在包含1,000张平面图、约70步的BIM平面图任务中，SKY-001报告用时1.22秒、成本0.0024美元、IoU为43.6%，相比之下，Gemini 3.8 Flash为42.3%，GPT-6 Astra为40.6%，Kimi K3为33.7%，Qwen 3.8 Max为28.8%，Grok 4.7为28.2%。

仔细读，表格说明的内容比标题更有意思。CAD 相对 GPT-6 Astra 的领先幅度是 0.6 个 IoU 点——Skyfall 自己的帖子说该模型“达到或超过”它，而不是击败它——所以真正的差距大致是快 51 倍、便宜 150 倍，而不是输出更好。BIM 的领先幅度是 3.0 个百分点。而在平面图上 43.6% 的平均 IoU 意味着，表中最好的模型按交并比计算，重建出的内容不到参考平面图的一半。这是一个研究预览数字，不是生产数字；而且据报道，落地页在 CAD 上显示 76.1%，而博客显示 79.7%，这正是同一个数字在不同展示面上被重新表述时会出现的那种漂移。

报道中的一项说法经不起与原始资料对照：即 SKY-001 胜过 Claude Opus 5.5。在材料中，Opus 5.5 是与 GPT-6.1 Sol 并列出现的盲测语言模型评审，而非任一基准测试上的参赛者。在定性比较中被评审者青睐，并不等同于在 IoU 上获得更高分数。

比较真正见分晓的地方：由谁来评判输出

连接这两则公告的一条方法论主线是模型评估。Skyfall 的核心主张部分建立在由语言模型组成的盲评小组对画作进行评分之上。百度的主张则建立在其自家工程师应用的内部评分标准之上，完全没有任何外部评分。两家公司都没有公布可供第三方复现的协议。

这是世界模型热潮中最不成熟的部分，也正是路由层做实际工作而非装饰性工作的地方。评判生成的视觉状态是一次模型调用——往往是多次调用，来自不同供应商，这样就没有哪一家实验室的偏好能定义“好”。OrcaRouter 的模型融合让一组模型共同回答同一个评判提示词，并通过一个端点返回它们的综合裁决，而路由 DSL 可以把不同的评估阶段发送给不同的模型，无需重写评测框架。这就是我们覆盖的层：超过 200 个模型、一个密钥、0% 加价，按提供商列表价透传。SKY-001 和 Apollo World 都不在该目录中，它们也不是你调用的模型——评判者才是。

两者均不可赎回，这改变了决定。

可用性问题的答案对两者相同，但原因不同。SKY-001 是需加入等待名单的研究预览版，商业部署目标为 2027 年初，且未公布条款。Apollo World 部署在百度内部，不对外提供。两者都没有定价，也无法针对你自己的工作量进行基准测试。

你能从这两者中分别获得的，是方法。SKY-001 的两阶段分解——先构成整体，再预测每个叶节点的构建顺序——对任何具有层级结构和操作顺序的流程来说，都是一种可复用的模式。Apollo World 的 2+3 评分标准，是对任何有人试图卖给你的模拟器都可复用的检验方法，尤其是它的持久性判据，正是大多数供应商无法用测量来回答的问题。

三个问题帮你判断你需要哪一个

首先：你所建模的事物内部是否有一个智能体在行动？如果是，你就需要一个环境模拟器，并且适用 Apollo World 的评判标准。如果状态转移是确定性的、由计划而非策略驱动，那么你需要更接近 SKY-001 的方案。

第二：输出是由人类消费，还是由控制环路消费？施工序列由工程师和下游模型消费，因此度量指标是视觉合理性和步骤顺序。驾驶仿真由感知与规划栈消费，因此度量指标是传感器一致性和延迟。这两者几乎没有共同的评估标准。

第三：你需要的是物理，还是流程？SKY-001 知道支架必须先安装，然后才能安装它所支撑的组件；它不知道支架掉落时会发生什么。Apollo World 知道行人突然走出时会发生什么；它对零件如何制造没有意见。

“世界模型”这个标签会继续被拉伸，因为它同时至少在为四个不同的产品类别做营销工作。有用的做法是问：预测的是什么状态、什么作用于它，以及谁来消费这个预测。Apollo World 和 SKY-001 以截然不同的方式回答了这三个问题；而一旦你问出这些问题，比较就会消解为它一直以来的样子：两个恰好共享一个名称的好点子。