CARI4D 對上 ABot-Earth 0.7：兩個從不競爭的 4D 模型

如果你搜尋的是 CARI4D對上 ABot-Earth 0.7，期待看到一場正面對決，那麼誠實的答案是：這種比較根本不存在，而且也不會出現。這兩套系統做的工作不同，接收的輸入不同，輸出的東西不同，任何了解其中任何一套的人，都絕不會拿它們來互相比較。CARI4D 是 NVIDIA 的類別無關人–物互動 4D 重建技術——它觀看一段普通影片中一個人操作一個物體，並還原出他們隨時間變化的公制尺度姿態。ABot-Earth 0.7 則是 Amap 的 3D 原生城市世界模型——它接收一張衛星影像或一段文字提示，生成一座公里級、可探索的城市，並以高斯潑濺場景呈現。這個頁面之所以還是存在，是因為區隔這兩者的那條軸線確實很有用，而且它們在你實際上能用它們做什麼這件事上的差異，遠比它們表面上看起來的樣子來得大。

還有第二個更尖銳的理由。這兩個發行版位於一個比任何規格條目都更重要的光譜兩端：其中一個你今天下午就能下載並執行，另一個則完全無法執行。

沒有人搜尋這個查詢時想得到的答案

兩者都被描述為 4D。兩者都出自大型廠商。兩者都在過去一年內推出。它們的交集大致上就到此為止。

CARI4D 會進行重建。給定一段影片，它推斷出原本存在的事物。該論文——類別無關的人–物互動 4D 重建由 Xianghui Xie、Bowen Wen、Yan Chang、Hesam Rabeti、Jiefeng Li、Ye Yuan、Gerard Pons-Moll 與 Stan Birchfield 撰寫——於 2025 年 12 月以 2512.11988 登上 arXiv，並獲 CVPR 2026 接受。其主題是相互接觸的人與剛性物體，而其核心主張在於尺度：在沒有深度感測器、也沒有多視角設備的情況下，從單眼相機還原公制尺寸，而這正是先前研究難以處理的部分。

ABot-Earth 0.7 誕生。輸入一張地理參照衛星影像或一段文字描述，它便能生成一個先前未曾以資料形式存在的場景。中國地圖與導航公司高德（Amap）於 2026 年 9 月 10 日在杭州舉行的 Street Stars 盛典上揭曉此版本，接棒 6 月 8 日推出的 ABot-Earth 0.5。它會輸出 3D 高斯潑濺，並可匯出至 Unreal Engine 和 Unity，涵蓋範圍達 Amap 所稱的 196 多個國家與地區，多於 0.5 版的 190 多個。

一個是估計器。一個是生成器。這個區別所發揮的作用，比任何基準測試表格都來得大。

一個人與一張椅子，或一座城市

尺度落差是人們最容易低估的一點。CARI4D 所關注的單位，是一個人體和一個手持物件，以公分為尺度，並在單一短片的各個影格中追蹤。ABot-Earth 0.7 所關注的單位，則是一平方公里的城市，根據 Amap 自己的說法，是在單一消費級 GPU 上約十分鐘內生成。

• 輸入 — CARI4D 為單眼 RGB 影片，MP4；對比 ABot-Earth 0.7 為衛星影像或文字提示

• 輸出 — CARI4D 的逐幀人體姿態與形狀、物體旋轉與平移，以及兩個手部接觸 logits，對比 ABot-Earth 0.7（一個 3D Gaussian splatting 場景），可匯出至 Unreal Engine 與 Unity

• 分析單位 — CARI4D 一個人和一個接觸中的剛性物體，對比 ABot-Earth 0.7 城市尺度下的地形、建築物、植被與地標

• 時序性主張 — CARI4D 逐幀重建觀測到的運動，而 ABot-Earth 0.7 則被定位為一個世界模型，具備用來預測接下來會發生什麼的預測層

• 公制尺度 — CARI4D 的公制尺度是透過 UniDepth 從單目影片中還原，並經由由粗到細的尺度搜尋；對比之下，ABot-Earth 0.7 是從衛星影像進行地理參照，沒有公制還原的問題

• 執行成本 —— 在 NVIDIA Ampere GPU 上的 CARI4D PyTorch，已在 A100 上驗證，研究訓練運行在 8×A100 上耗時 38 小時，而根據 Amap 自己的比較，ABot-Earth 0.7 在單一消費級 GPU 上每平方公里約需十分鐘

請注意，就單一橫列來看，這兩欄並沒有哪一欄比另一欄更好。它們衡量的是不同的世界。一個能還原手與瓦斯鋼瓶之間接觸點的模型，不會因為同時知道建築物在哪裡而變得更好；而一個能生成看似合理天際線的模型，也不會因為知道行人的確切手腕角度而變得更好。

真正決定這一切的不對稱性

這就是買家會在最初一個小時內感受到的差異，而這與能力無關。

CARI4D 現在就能取得程式碼與權重。NVlabs 儲存庫提供官方實作，於 2026 年 2 月 28 日發布，並於 4 月 4 日加入訓練程式碼與自訂影片前處理。預訓練的 CoCoNet 檢查點可從 Hugging Face 下載，Docker 映像檔 xiexh20/cari4d 已發布，且自 2026 年 8 月 30 日起，一個商業授權的 231M 檢查點已以 nvidia/cari4d_commercial 形式，依 NVIDIA 開放模型協議提供——需經審核授權，但仍可取得。依賴項目皆有文件說明，包括那些棘手的部分：NLF torchscript 權重、FoundationPose 權重、SMPL-H 資產、來自 AGORA 的 kid_template.npy，以及用於物件網格的 Hunyuan3D。你可以在 BEHAVE 示範、提供的實地影片片段，或你自己的影片上執行推論，並用隨附的腳本進行評估。

ABot-Earth 0.7 在上述任何一種意義上都無法取得。Amap 並未發布任何模型權重、模型卡、公開 API、定價或開發者文件。體驗網站已經上線，但 Amap 將生成功能描述為僅限邀請或白名單，介面僅有簡體中文，而據報導，0.5 時期的 GitHub 儲存庫只放了一份技術報告，沒有任何可執行的內容。每一個宣傳數字——每平方公里十分鐘、效率約為傳統重建的一千倍、成本約為百分之一、一百九十六個以上的國家——全都源自 Amap，且未經 Amap 以外的任何人獨立重現。這些都是廠商自行報告的數字，而目前也沒有任何途徑能讓它們變成其他性質。

所以實務上的比較並不是「哪個模型比較好」。而是其中一個是帶有商業授權和 Docker 映像檔的研究產物，另一個則是伴隨媒體宣傳週期的產品展示。兩者都是實實在在的成就。但只有其中一個是你能放進建置裡的東西。

兩者真正會相遇的地方

這裡確實有一個真實的構成，值得具體說明，因為這是它們屬於同一場對話的唯一意義。

CARI4D 的輸出是公制世界座標框架中的人—物互動。ABot-Earth 0.7 的輸出則是一個環境。把前者填入後者，你就能得到兩者單獨都無法產出的東西：一座生成的城市，其中人們所做的事是經過物理量測的，而非出於藝術性的擺放。機器人模擬、零售空間佈局規劃與互動資料集生成，全都想要的正是一這樣的組合——一個便宜到足以重新生成的環境，以及準確到足以作為訓練依據的人體動作。

它們之間的銜接處是一項座標轉換與一種尺度慣例，而這並不簡單，因為 CARI4D 的度量框架是相對於單一相機定義的，而 ABot-Earth 0.7 的度量框架則由地理定位定義。沒有人發表過那項整合。這種東西，團隊花一週就能做出來，卻不會寫成文件。

在那條流程裡最常被遺忘的步驟，就是把原始互動資料轉換成可查詢內容的那一塊——為影片片段上字幕、標記接觸事件、建立檢索索引，以及對輸出套用品質管控篩選。這項工作要靠視覺語言模型與語言模型來完成，而這正是 OrcaRouter 所涵蓋的層級：超過 200 個模型藏在單一 API 之後，供應商的定價以 0% 加成原樣傳遞，當供應商服務品質下滑時自動容錯切換，以及一套路由 DSL，能把多個模型組合成單一次呼叫，讓上字幕與品質管控不必拆成各自獨立的整合。CARI4D 與 ABot-Earth 0.7 都不在那裡提供服務，兩者也都不是 LLM——但你圍繞它們所用的工具，幾乎肯定是。

你真正想要哪一個？

若你有個人與物體互動的影片，而你需要他們的姿勢，以公制單位、逐格呈現——用於動作分析、機器人感知、動畫參考，或建立互動資料集——那就選 CARI4D。它現在已經推出，有完整文件說明，而商業授權已於 2026 年 8 月 30 日到位。請為相依鏈編列預算，並詳讀 NVIDIA 並不擁有之部分的授權條款。

如果你需要的是環境而非角色，就選擇 ABot-Earth 0.7——可從某個地點或一段描述快速生成城市規模的場景，並可匯出至遊戲引擎。請理解，你是在評估一項已展示的能力，而非採用一套工具；使用權限由對方斟酌決定；而效率數據是 Amap 自家的數字。

唯有在你正在建構上述的組合系統時，才兩者都選；並且要明白，接縫得由你自己來寫。

值得問的問題不是這兩者哪一個勝出。而是你實際上正在打造的東西，究竟需要的是重建模型、生成模型，還是兩者皆非——而在這個問題上，這兩個答案從不重疊。