pixel professional generative X —— 从光变化中涌现 3D 结构的图片生成模型
一句话：我们不搞 Text-to-Image，我们搞 Image-to-Image。
T2I 的毛病在于，每张训练图都得靠"文本描述"才能被模型理解。描述本身就是瓶颈——你描述得再精确，也是用语言去干几何该干的活。就像让音乐去描述颜色，跨域映射，必然失真。
PixelPX 的思路是：图片是静态的视频，视频里有 3D 和时间信息。用视频训练出 3D 理解，再"啪的一下"降维压缩成 2D 图。
没有物理引擎。现在的视频模型也不是物理引擎，它们只是二维模拟的 3D 和时间数据。我们不可能设计出物理引擎。3D 一致性是靠几何约束从数据里学出来的，不是算出来的。
本来是喷李飞飞 World Labs 所谓"世界模型"的口水，喷着喷着突然发现——我要做的生图模型，竟然就是她们在做的世界模型。大水冲了龙王庙，小丑竟是我自己。
但凭我们的脾气，也是不能认的。李飞飞的路子要天量算力，我们偏不信这个邪。从昨晚干到今晚，搞出来了一个 1.1M 参数的验证版，30 张凭空生成的图片，跑通了从训练到生成的全流程。
详细的故事和我当时的思考过程，写在公众号里了：
喷着口水搞出来的 PixelPX —— 一个低算力世界模型的诞生
面向公众的技术方向公开文档，包含完整的算法理念、架构设计和预训练成果：
白皮书里讲了：
- T2I 的描述瓶颈为什么是打补丁而不是治本
- 四条第一性原理（图片=静态视频、用视频训练、结构预测而非像素生成、无物理引擎）
- 核心创新：从光变化中涌现 3D（自然力做物理，我们只学光场）
- 技术体系：PXFormer、GeoTriangle、GXI、PXLoop 等自有架构
- 生成管线：text2sample-image2FINALIMAGE 三段式
- 预训练成果：Step 1-6 完整数据链
1.1M 参数的小模型，在一张 RTX 3050 Laptop（4GB 显存）上跑的，别嫌小——这是架构验证，不是产品。
| Step | 干了什么 | 关键指标 | 过没过 |
|---|---|---|---|
| Step 1 | 合成数据最小验证 | L1=0.040 | ✅ |
| Step 2 | 3D 原点场 + 几何不变性 | Z 相关 0.9997 | ✅ |
| Step 3 | 真实牧场单场景 | L1=0.035 | ✅ |
| Step 4 | 多场景灰度（5 场景） | L1=0.058 | ✅ |
| Step 5 | RGB 彩色（5 场景） | L1=0.067，光场捕获色温 | ✅ |
| 14 机位 | SkyFinder 联合训练 | L1=0.0313，插时刻比值 1.02 | ✅ |
| Step 6 | BERT 式 Mask 补全 | 补全/重建比值 0.86 | ✅ |
| image-gen | 凭空生成 30 张图 | 多样性 2.75 | ✅ |
命门指标是插时刻 L1 ≈ 重建 L1——意思是模型不是死记像素，是真学到了 3D 结构和光场规律，能预测没见过的中间帧。14 机位训练的比值是 1.02，接近完美。
视频 = 训练数据（学光影关系）
↓ 降维打击
图片 = 应用产品（补全/生成）
三种生成模式：
- image-gen（凭空生成）：啥也不给，直接抽卡
- Completion（补全）：给半张图，补成整张
- Transformation（变换）：给整张图 + 换个光场，出不同时刻的图
| 维度 | T2I 扩散 | 伪世界模型视频 | 3D 世界生成派 | PixelPX |
|---|---|---|---|---|
| 3D 表征 | 无 | 无显式 | 渲染基元 | 3D 原点场 |
| 物理引擎 | 无 | 伪物理（外挂损失） | 无 | 无（几何先验学出来） |
| 训练数据 | 图文对 | 海量视频 | 配对 (image, 3D) | 单视频自监督 |
| caption 瓶颈 | 有 | 有 | 无 | 无 |
| 数据成本 | 中 | 低 | 极高 | 极低 |
算力可以买，数据买不到。 3D 世界生成派的命门是 3D 数据稀缺。我们用单视频自监督，视频帧本身就是真值，数据无限，只愁算力。
这不是空中楼阁——400 年的古典画家就是这么干的。
维米尔画《倒牛奶的女仆》，坐几小时，太阳从东窗移到西窗，阴影一直在变。他从"阴影怎么变"推断出"桌面是平的、罐子是圆的"。他就是从光变化学 3D，然后落笔画的是"理解了完整光场之后的一个时刻"。
画家做了 400 年，我们只是把画家的脑子换成 PXFormer + GXI。方法论同构，工具升级。
- 扩规模到 100 场景，接入完整算子
- PXscore 打分体系（每 patch 的 3D 置信度）
- 完整 GXI 等变模块 + PXLoop 循环精化
- image-gen 质量提升 + 扩散精化器接入
具体算子实现、训练细节和架构参数属于商业机密，公开文档不予披露。
如有私有化模型训练和后训练需求，可聘请我们做训模工程队。
PixelPX：从光变化中涌现 3D 结构。