看见世界。
记住每一个它。

通用生成式世界模型；以共享空间上下文组织多模态输入，生成、重建和模拟世界。

为真实环境里的每件物体建立档案，把不同时间看到的同一只杯子、同一把椅子联系起来，持续更新身份、位置与观察记录。

可以生成新视角、深度、点云或三维高斯场景，并补全输入尚未拍到的区域。它把有限的素材扩展成可探索的空间，生成部分在真实执行前需要现场确认。

从实际观察积累物体表面、位置与来源视图。看过的部分可以直接查询，未知区域等待后续观察补充，适合持续维护真实环境的变化。

可以复用已有 RGBD 空间上下文，并继续编辑场景，让多次生成共享已有的空间信息。

重点维护“还是不是刚才那一件”。杯子换了位置、暂时被挡住或从另一侧出现时，系统结合历史与当前观察重新核对，把新线索补进同一份档案。

应用可以通过代码指定相机位置，生成相应的彩色画面与深度，为观察、规划或仿真提供输入；机器人动作由下游规划与控制系统执行。

已有记忆先帮助机器人缩小找物范围。下一步可用程序从三维记录中选择候选视角，比较哪边看得清、身体怎样靠近、手臂怎样伸入，再交给规划与控制系统执行。

Atlas 已展示把真实环境转成用于导航和操作的模拟空间。World Labs 的 R2S2R 系统进一步展示了仿真训练、真机迁移和策略评测，让生成的世界服务于机器人的练习与测试。

持续记录具体家庭里的物体、位置与示范经历，为训练和测试准备贴近现场的数据。接入仿真与学习后，夜间或云端可以围绕这个家练习观察、导航和操作，这是下一步的集成方向。

World Labs 的 R2S2R 路线把发现策略弱点、生成针对性练习和真机验证连起来，探索机器人如何持续提升。

以持续更新的家庭记忆为起点，让练习跟着实际变化走。未来把记忆、仿真练习、策略学习和现场验证接成闭环，就有机会把今天的经历变成明天更熟练的行动。

可由普通图像估计相机与深度，也可接收已标定的 RGBD 上下文。度量尺度需校准；Beta API 已有文档，具体任务开放取决于账号。

地图级记忆依赖有效 RGB-D、标定与位姿。多模块部署需要 GPU／CPU、队列及存储管理；是否适合端侧设备须按目标硬件验证。

生成空间需要计算，已有场景也可以复用上下文并在本地渲染。实际体验取决于生成频率、输出质量和上下文复用方式。

把日常跟踪与后台分析分开，让熟悉的物体先查已有记忆。这次成功确认目标的典型间隔为 1.53 秒（录制源时间）；95% 的整帧处理时间不超过 108.14 毫秒，末帧累计落后录制进度约 26.71 秒，后续将继续优化整体处理速度。

按 Beta 任务计费，费率可能调整；容量和并发还受服务约束。需依据实际任务、画质、上下文和当前报价核算。

通过复用真实观察减少重复分析。这次一万多个空间点直接用 CPU 查询，95% 的帧只增加不超过 2.09 毫秒的前台计算，体现了查询已有记忆的轻量优势。整体成本还包含检测、跟踪等环节，两者的总费用需要放到同一任务中比较。

生成的空间进入机器人任务后，还要检验几何与物理是否足够准确。World Labs 的 R2S2R 用仿真和真机上的对应任务来检验效果。

物体档案为行动提供依据。真正执行时，机器人仍要确认当前位置，并结合碰撞检查、接触模型和控制器，把“记得”转化成“做得到”。

官方已公布相机控制生成、三维重建的量化评测和机器人演示；R2S2R 系统还提供了仿真与真机上的训练测试结果，详见下方原始资料。

已完成 5 轮、37 次同段室内录制回放，包含从相同记忆开始的对照。新版在 29.28% 的可见跟踪帧中给出正式身份，点云发布了 28 组确认，正式确认后的轨迹保持了身份连续。下一步扩展到更多场景、长期运行和学习闭环。

需要构建、补全或变化三维场景，以及生成新视角和训练测试环境时，其能力更直接相关。

需要持续回答“哪一件、在哪里、发生过什么”时，可以发挥物体记忆的优势。未来可把真实记录用于构建练习任务，再把真机验证后的经历写回记忆。