# 一句话生成一个「跑得起来」的世界：飞捷科思开源的三段工具链，缺的那段正好是最贵的 > 开源覆盖了「构建、感知、评测」三段，其中最容易被跳过、也最贵的一段是中间那步——把一个看起来对的三维场景，改造成物理上站得住、能直接被物理引擎接管的仿真环境。飞捷科思把它单独做成了一个项目。 ### TLDR - **开源主体与内容**：国内物理 AI 基础设施企业**飞捷科思**向全球开发者开源三部分技术——**Fysiverse-3D 三维世界构建技术体系**、**OmniFysics 物理感知系列模型**、**FysicsReason 可验证评测基准**，覆盖物理 AI 的「构建、感知、评测」三个环节。 - **构建段（Fysiverse-3D）**：覆盖从自然语言描述到可执行三维世界生成的完整流程。其中的可验证空间文生图方案 **SpatialGuard** 把一句话里的物体位置与相互关系转成**可检查的空间约束**，走「规划—渲染—验证—修复」闭环；该成果**已被 EMNLP 以长文形式录用**。 - **重建与落地**：**Fysiverse-3D-Vision（F3V）** 处理二维图像到对象级三维场景重建，分别解决「生成什么物体」与「物体放在哪里」，输出包含独立对象、空间关系和功能信息的结构化环境；**Fysiverse-3D-SimReady（F3SR）** 在其输出基础上做场景级「接地精修」，分**重力一致初始化、输入视角对齐、场景图引导接触修正、智能体目标条件仿真**四步。 - **感知与评测**：**OmniFysics** 通过视频、图像、声音和文本分析物体运动、接触关系、材料属性，估算**质量、摩擦、弹性**等物理参数；**FysicsReason** 引入「**世界状态变量**」，把模型能力拆成世界感知与推理两个阶段，用于判断模型是「没看懂」还是「理解错了」。 - **交叉信源**：界面新闻同日稿件提到，拓斯达联合飞捷科思发布的 Fysiverse 工业物理世界模型搭载全栈自研可微分物理仿真引擎，可还原工厂的刚度、形变、摩擦、负载、公差等物理特征。 ### SRC 本篇素材主体来自 IT 时报记者贾天荣 2026 年 9 月 30 日的报道（腾讯新闻同日转载，URL 含日期标识 20260930），发布时间约在当日 18:30 前后，落在素材时间窗「当日 09:00 → 19:00」内；技术组件名称、闭环四步、四步接地精修流程、EMNLP 录用信息与各模型能力描述，均为该篇对飞捷科思官方介绍的转述。交叉信源为界面新闻同日刊发的拓斯达稿件，其中提及「拓斯达联合飞捷科思发布的 Fysiverse 工业物理世界模型」及其可微分物理仿真引擎的能力描述。**不确定边界**：①飞捷科思的具体开源仓库地址、代码许可协议、模型权重开放范围，报道中均未给出，**本批未获独立核实**；②各组件的能力描述均为厂商口径，报道未给出任何可复现的量化指标（如重建精度、物理稳定性通过率、评测基准的题目数量与模型得分）；③「已被 EMNLP 以长文形式录用」出自厂商介绍，**未标注论文题目与作者**，本批未获会议论文页核实；④界面新闻稿件中的 Fysiverse 描述面向工业场景，与 IT 时报稿件所述的开源范围（三维世界构建 + 物理感知 + 评测基准）是否为同一套组件，报道未明确，本篇并列呈现不合并。因此本篇标注 vendor=1。与既有稿件的差异：本站既往稿件中，170 号稿写过枢途科技与无问智科的**数据基建融资**（数据生产与评测的商业化侧），本篇写的是**同日开源的一套工具链本身**（技术组件与使用路径），一篇是资本视角、一篇是工具视角，不重复。事实与判断分开，判断以「判断：」开头。 ### BODY
三段链条里，中间那段最容易被跳过

飞捷科思这次开源的东西，按它自己的说法覆盖物理 AI 的三个环节：构建、感知、评测。三段分别对应三组组件：

构建
Fysiverse-3D 三维世界构建体系：从一句话生成符合空间关系的图像，再转化为能跑在物理引擎里的三维环境。内含可验证空间文生图方案 SpatialGuard（规划—渲染—验证—修复闭环，成果已被 EMNLP 录用）
重建
Fysiverse-3D-Vision（F3V）：二维图像到对象级三维场景重建，分别处理「生成什么物体」和「物体放在哪里」，输出带独立对象、空间关系与功能信息的结构化环境
接地
Fysiverse-3D-SimReady（F3SR）：把重建结果转成仿真就绪环境，经重力一致初始化、输入视角对齐、场景图引导接触修正、智能体目标条件仿真四步做「接地精修」
感知
OmniFysics：从视频、图像、声音、文本中分析物体运动、接触关系、材料属性，估算质量、摩擦、弹性等物理参数
评测
FysicsReason：引入「世界状态变量」，把模型能力拆成世界感知与推理两段，用于区分模型是「没看懂」还是「理解错了」

这五段里，真正值得花时间读的是第三段。前面生成一个看起来对的三维场景，现在有不少模型能做；后面把一个场景接进物理引擎去训练策略，是训练场的日常。但两者之间有一道很具体的坎：生成的场景好看，不等于它能用。

判断：这道坎在工程上有个很日常的表现——杯子悬在桌面以上两毫米，看起来和放在桌上没区别，但物理引擎一启动，它会掉下去；两个物体表面看着贴合，实际有穿透，仿真里会爆炸性地弹开。这类问题在视觉上不可见，却让场景无法用于训练。所以 F3SR 的四步里，「重力一致初始化」和「场景图引导接触修正」这两步解决的正是仿真能不能跑起来的问题。这个环节过去是靠人工在编辑器里一个个摆、一个个调，属于典型的「没人愿意做但必须做」的活。把它做成自动化流程，价值不在炫技，在于把人工摆放的时间省下来。
评测这段为什么难得

开源生态里，模型和数据多，评测少。原因不复杂：模型和数据开源能带来引用和生态位，评测开源只带来被质疑的风险——你的判据一旦公开，就会有人拿它去测出难看的结果，然后指出是判据本身的问题。

FysicsReason 的做法是引入「世界状态变量」，把模型能力拆成世界感知和推理两个阶段，目标是回答一个更具体的问题：模型失败时，是没看懂，还是理解错了。这个区分在具身场景里很实用——同一句指令失败，可能是视觉没识别出物体，也可能是识别对了但推理的物理因果关系错了，后者的修复成本远高于前者。

判断：这类「失败归因型」评测，比单一准确率数字有用得多，因为它直接指向上游该改哪里。长期来看，具身智能行业真正缺的不是更高的分数，而是统一的失败分类方式——当所有团队都用同一套失败标签去统计自己的模型时，横向比较才有意义。这也是为什么开源评测基准虽然短期不讨好，却往往比开源模型更有长期价值。
从「一句话」到「可训练环境」，中间的真实工作量

报道里举的例子很好理解：输入「桌子旁边放着一把椅子，桌面上有一个杯子」，系统不仅要生成桌子、椅子、杯子，还要保证三者的位置关系符合描述。SpatialGuard 的作用是把这句话里的空间意图转成可检查的空间约束，再生成视觉观测。

把这条链路完整走一遍，大致是四个动作：先用一句话得到一个几何上成立的场景，再把图像重建成带独立对象的三维场景，然后把场景「接地」到物理引擎，最后在物理引擎里生成训练任务并跑策略。这套流程如果全部自动化，理论上意味着：一个训练场想扩充场景库时，不必再派人去实地扫描或用编辑器建模，改一句话就能生成一批新场景。

环节传统做法这条链路想替代的部分
场景来源多视角实地扫描、人工三维建模用自然语言描述直接生成场景（Fysiverse-3D）
物体组织建模时手工拆分与摆放资产对象级重建，预测每个物体的位置、旋转与尺度（F3V）
物理接地在仿真编辑器里手工摆放、调碰撞体与接触重力初始化 + 视角对齐 + 接触修正 + 条件仿真（F3SR）
物理参数凭经验设定摩擦、质量、弹性等参数从多模态信息估算物理参数（OmniFysics）
效果判断看演示视频是否像、跑几个任务是否成功按世界感知与推理两阶段做失败归因（FysicsReason）
表注：「传统做法」栏为行业通行流程的概括描述，非飞捷科思官方对照表；「这条链路想替代的部分」栏依据 IT 时报报道所述各组件能力整理，均为厂商口径。
判断：这张表里最值钱的一行是第三行。训练场建设的时间成本，长期以来不在算力也不在场地，而在「把场景一个个手工搭进仿真里」这段人力活上——一个复杂场景从扫描到能在引擎里跑起来，往往要工程师花上数天。如果这条链路能把这段时间从「天」压到「分钟」，训练场的经济学才会真正改变：不是能建多少场景，而是每天能重置多少次场景。这也是评估这套工具到底管不管用的唯一硬标准。
怎么验：四条可执行的检查项

开源工具最容易出现的情况是「能跑通 demo，接不进自己的流程」。在动手之前，建议按四条去验，顺序不要颠倒。

一、验仿真里的静态稳定性。把 F3V 重建出的场景直接加载进你常用的物理引擎，不做任何人工调整，看物体在无操作状态下会不会自行位移、下落或互相穿透。这一条不通过，后面都不用测。

二、验参数是否可覆盖。用 OmniFysics 估算出的质量、摩擦、弹性，与你在真机上实测的参数比一次。物理参数估偏会让 sim-to-real 迁移直接失效，而且很难从演示里看出来。

三、验任务生成的多样性。同一个场景能不能自动生成多个变体（移动物体位置、替换同类物体、改变初始姿态）。这一条决定了它到底是「场景生成器」还是「图片美化器」——只有能批量变体的场景，才配得上训练用的语料。

四、验评测结果的可解释性。用 FysicsReason 测一个你已经知道会失败的模型，看它给出的归因是否与你的判断一致。归因不准的评测，比没有评测更危险，因为它会误导下一轮迭代方向。

判断：这四条里，第一和第三条决定能不能用，第二和第四条决定用了之后能不能改进。需要提醒的是，目前公开报道里没有任何一项可复现的量化指标——没有重建精度、没有物理稳定性通过率、没有评测基准的题目数量与模型得分。在拿到这些数字之前，这套工具链应该被当作「值得在自己的场景里做一次小规模实测的候选」，而不是「已经验证过的解决方案」。厂商口径与独立验证之间的距离，恰恰需要第一批接入的团队来填。
对做交付的团队，这条新闻的用法

物理 AI 的基础设施正在快速开源化，这个趋势对中小团队是利好，但用法需要挑。

对做二次开发和场景交付的团队来说，这套工具里性价比最高的可能不是生成部分，而是「接地」和「评测」两段。生成部分替代的是一次性建模成本，省下的是项目前期的时间；而接地与评测替代的是每个项目都要重复做的验证工作，省下的是长期的返工成本。前者省一次，后者省一辈子。

更现实的一点是：这类工具真正的用途往往不在交付本身，而在投标与方案阶段。客户提出的场景如果能在几分钟内生成一版可运行的仿真环境，方案评审的说服力会完全不同——图纸和视频都只能证明想法，能跑起来的仿真才能证明可行。

判断：接下来一年，物理 AI 的工具链竞争会集中在「谁能把仿真就绪这一步做成标准动作」。理由很简单：模型可以各家自研，评测可以各自定义，但把一个场景变成能跑的仿真环境这件事，工程细节高度相似，几乎不存在差异化的空间，最终一定会被开源工具吃掉。真正需要提前准备的是团队能力——谁能更快把这套流程接进自己的项目节奏，谁在同样的报价下就能多做几个场景。工具是免费的，熟练度不是。
来源：IT 时报《一句话生成可运行世界 飞捷科思开源物理 AI「闭环」》（记者贾天荣，2026-09-30），界面新闻同日拓斯达稿件交叉引用；素材时间窗为当天 09:00 → 19:00。
--- *来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/feijiekesi-fysiverse-open-source-physical-ai-stack/*