会重建 3D 场景，就理解世界了吗？

重建、生成和预测是不同任务

从照片恢复相机位置和三维几何，创建一个可浏览的 3D 世界，预测推开物体后它怎样运动，分别需要不同的能力。这些能力可能互相帮助，一项测试成绩却无法替另外两项作证。

VGGT 论文研究从图像估计几何，Marble 的发布材料展示三维世界的生成与编辑。两者都与空间有关，测试问题并不相同；展示图也无法单独说明物理预测是否准确。

VGGT 论文描述模型从输入图像估计相机、点图、深度图和点轨迹。相机位姿、深度或重建误差都可以针对有标注的数据检验。即使模型在相应测试中恢复了几何，这项结果也没有回答物体受力后会怎样运动。

论文也列出适用边界，例如该版本不支持鱼眼或全景图像。几何测试的成绩要连同输入图像类型和测试协议一起看，不能改写成笼统的“空间理解”分数。

Marble 的发布材料描述了从文本、图像、视频或粗略 3D 布局创建世界，再编辑、扩展、组合，并导出为 Gaussian splats、网格或视频的流程。这些接口展示了生成与编辑的用途，没有测量它把某个真实场景重建得有多准确。

材料还提到用于粗略物理模拟的低保真碰撞网格。要判断接触、运动或长时间变化是否符合现实，需要施加动作并与真实结果对照；碰撞网格本身无法给出这个答案。

空间推理还涉及方向、距离、遮挡和视角变化等提问。答题正确与重建误差低都是有用结果，但它们测量的是不同能力。

“空间世界模型”可能在估计、重建、生成、编辑，也可能在预测行动后果。论文中的几何测试、产品接口展示和真实环境对照实验，分别支持不同结论。说清任务与测试对象，才能知道一项成果的边界。