自动驾驶世界模型的目标早就不只是预测下一帧画面了。说白了，你现在得让它能理解场景——场景里有什么目标、目标在哪儿、不同视角下空间结构怎么变——这些才是真正需要解决的问题。光会生成外观上合理的未来图像，却答不出场景里有什么东西、东西具体在什么位置？那只能说它还没有真正建立起对三维驾驶环境的显式建模能力。

GaussianDWM 瞄准的，就是这个关键缺口：在统一的 3D 场景表示里，同时把场景理解和生成任务都搞定。

GaussianDWM 的想法很直接：把场景理解和空间生成、时间生成、RGB-D 生成全部塞进同一个框架。核心手段是用 3D Gaussian 场景表示作为世界模型的中间层，让同一个 3D 表示既能承载几何和外观，也兼容语言语义。

面向场景理解的自动驾驶世界模型

过去几年，关于 Driving World Model 的讨论基本上都围着生成能力打转。一个典型套路是：给你当前或历史的观测，模型要能预测未来的驾驶场景，或者在车辆变换位姿时合成新视角。这种能力对仿真、数据生成和闭环评测确实很有用，但它并没有覆盖自动驾驶系统真正需要面对的全部问题。

在真实的驾驶场景里，模型还得回答更结构化的问题。比如，场景里有没有某个被语言描述的目标？目标在图像或 3D 空间里到底在哪儿？当前的驾驶环境能不能支持后续的规划？这类问题要求模型不止是提取视觉特征生成画面，还得把外观、几何和语义组织成一种语言模型能直接读取和利用的场景表示。

这也正是 GaussianDWM 的出发点。现有的统一框架中，有些依赖 BEV 或 depth 特征做 feature-level 对齐，但这种对齐更多发生在中间特征层，模型未必真正拥有一个统一的 3D 场景表征。GaussianDWM 选择用 3D Gaussians 作为场景的底座，目的就是让同一组表示既能输入 LLM 做理解，也能作为条件送给生成模块。

把 3D Gaussian 变成 LLM 能读懂的世界表示

GaussianDWM 的整体框架可以分成三块：World Tokenizer、Scene Understanding 和 Multi-modal Generation。这三个模块不是简单的串联关系，而是围绕同一个 3D Gaussian 表示展开的：先把多视角图像组织成带语言语义的高斯场，再把这些高斯压缩、采样并投影到 LLM 的 embedding space，最后用 LLM 提取出的 world knowledge 来指导 RGB-D 生成。

第一步是 Language-enhanced 3D Gaussian Tokenizer。传统的 3D Gaussian primitive 通常关注位置、不透明度、尺度、旋转这些几何和外观属性。GaussianDWM 在此基础上加入了语言特征，让每个 Gaussian primitive 不再只是一个可渲染的小单元，而成为一个携带语义信息的 3D token。

这些语言特征来自 CLIP，并且继承了 SAM 提供的层次语义。为了控制存储和计算开销，方法中还用了 scene-wise language autoencoder，把原本 512 维的 CLIP feature 压缩到了 3 维。这么做的目的，不是把语言信息变成一个孤立的附加项，而是让语义真正落在 3D 场景中的空间位置上。

不过，构建出高斯场只是第一步。LLM 并不能直接处理一个密集的 3D Gaussian 场，所以 GaussianDWM 又引入了 Gaussian Projector 和 task-aware sampling。Projector 负责把位置、opacity、scale、rotation 以及 language feature 映射到 LLM 的 embedding space；sampling 则根据具体任务，从密集的高斯中挑出更合适的 tokens。

在全局理解任务中，模型使用 uniform sampling 和 top-k sampling 来保留场景的整体信息；在 2D/3D visual grounding 任务中，采样会参考 text query 与 Gaussian feature 的 similarity，从稠密高斯中挑出更相关的部分。在主实验中，模型从场景里采样了 4096 个 Gaussian tokens 输入 LLM。这个数量本身也说明了一个现实的取舍：3D 表示足够丰富，但必须变得紧凑，语言模型才有可能稳定地使用它。

理解结果反过来参与生成

GaussianDWM 的另一个关键设计，是没有把理解和生成完全切开。生成模块采用 dual-condition generation，同时接收 low-level condition 和 high-level world knowledge。前者主要来自 sparse RGB/depth condition，负责约束纹理和几何；后者来自 LLM 提取出的 world knowledge，提供更高层的语义和空间先验。

这种设计与驾驶场景中的多层次约束是匹配的。low-level condition 主要由 sparse RGB/depth 提供，用于约束局部纹理和几何结构，但对目标关系、空间布局和语义一致性的表达能力有限。high-level world knowledge 来自 LLM 的场景理解结果，能够为生成过程补充语义和空间先验。GaussianDWM 将二者结合，用 low-level condition 保持视觉细节和几何约束，用 high-level world knowledge 强化场景关系与语义一致性，从而服务空间生成、时间生成和 RGB-D 生成。

在 NuInteract 上，3D Gaussian 带来更强的场景理解

为了验证场景理解能力，GaussianDWM 在 NuInteract 上进行了评估。相比只依赖传统视觉或语言特征的做法，3D Gaussian 给模型提供了更加明确的空间结构，也让视觉定位任务获得了明显收益。

从主表结果看，GaussianDWM 的平均指标达到 59.23，高于 DriveMonkey 的 52.12。在 2D visual grounding 上，mAP 从 19.47 提升到 34.95；在 3D visual grounding 上，mAP 从 34.53 提升到 52.78。这组结果直接说明，高斯表示不只是对渲染和生成有用，它也能帮助 LLM 更好地理解 3D 驾驶环境。

在 nuScenes 上，统一表示也服务 RGB-D 空间生成

多模态生成部分主要在 nuScenes 上验证。GaussianDWM 关注的不只是 RGB 图像，还包括 RGB-D generation，这使得结果需要同时面对外观质量和空间几何的一致性。

在空间生成任务中，当视角位移为 ±1m 时，GaussianDWM 的 FID/FVD 为 8.36/44.50；当视角位移为 ±2m 时，FID/FVD 为 11.27/68.17。与 PVG、StreetGaussian、DiST-S 等方法相比，GaussianDWM 在小到中等位移下取得了更低的 FID/FVD。对于自动驾驶场景来说，这类结果的意义在于：模型不是单纯生成一张新图，而是在尽量维持场景 3D 关系的前提下完成视角变化。

消融实验：Gaussian、采样和 World Knowledge 缺一不可

论文中的消融实验进一步解释了每个设计的作用。去掉 Gaussian 后，模型平均指标为 53.32；加入 Gaussian 并使用 similarity sampling 后，平均指标提升到 59.23。这个差距说明，3D Gaussian 在理解任务中提供的不是可有可无的额外信息，而是能够改变模型输入质量的核心表示。

在生成任务上，dual-condition 的作用也比较清楚。只使用 low-level condition 时，±1m 下的 FID 为 10.12；加入 high-level world knowledge 后，FID 降到 8.36。更大的视角变化下，world knowledge 的贡献更加明显：在 ±4m 条件下，FID 从 21.79 降到 18.91。换句话说，当低层视觉条件不足以覆盖更大空间变化时，高层语义和空间先验开始发挥更重要的作用。

视频展示：把生成能力放到动态场景中看

Overall visual walkthrough

Spatial generation

Temporal generation

Future prediction grid

Long-sequence prediction

结语：统一驾驶世界模型，需要可生成，也需要可查询

GaussianDWM 的核心观点可以概括为一句话：自动驾驶世界模型不应该只追求生成未来画面，也需要形成一个能被理解、被查询、被用于定位和规划的 3D 世界表示。3D Gaussian 在这里扮演了连接器的角色——它把几何、外观和语言语义放到同一个场景表示中，再通过 task-aware sampling 和 Gaussian Projector 送入 LLM。

在这个框架下，LLM 不只是回答问题，它还会提取 world knowledge feature，并把理解结果继续交给生成模块使用。NuInteract 和 nuScenes 上的结果表明，这种统一表示同时改善了场景理解和多模态生成。对于自动驾驶世界模型来说，这可能比单纯追求更清晰的视频更重要：模型最终要服务的是一个会移动、会交互、需要解释当前世界并预测未来世界的系统。