快速了解本文
百度发布 Apollo World 世界模型，构建高保真虚拟测试环境。
模型支持多模态数据生成与端到端闭环，解决长尾场景测试难题。
Apollo World 已投入萝卜快跑全球测试，累计自动驾驶里程超 3.5 亿公里。
本摘要由 AI 辅助整理，请以正文内容为准。
2026年11月3日，百度 Apollo 在深圳举行的 AI Day·Apollo 专场上，首次披露了面向物理 AI 的智能体驱动全模态世界模型 Apollo World。该模型旨在通过“用 AI 教 AI”的机制，构建高保真的虚拟测试环境，以解决自动驾驶在长尾场景下的测试与迭代难题。
01多模态生成与端到端闭环
Apollo World 具备强大的多模态数据生成能力。它不仅能够生成逼真的视频画面，还能实时生成相机画面、激光雷达点云等多模态观测数据。这使得无人驾驶系统能够在虚拟环境中获得与真实道路一致的感知体验，为后续的决策与执行提供基础。
在 Apollo World 构建的虚拟城市中，传统的固定脚本被动态交互取代。车辆、行人等交通参与者均被设定为具备决策和交互能力的 AI 智能体，它们能够根据无人车的动作实时改变虚拟世界的状态。这种机制支持无人车在虚拟城市中从任意起点驶向任意终点，完成从接单、载客到送达的完整出行任务，从而形成感知、决策、行动和反馈的端到端闭环。通过将现实中的长尾路况和风险转化为可重复、可干预的虚拟测试环境，Apollo World 有效解决了传统测试无法覆盖复杂交互场景的痛点。
02“2+3”评价标准与务实转变
针对自动驾驶世界模型的评价，百度 Apollo 提出了“2+3”判断标准。其中，“2”代表基础门槛，即因果性（由过去决定未来）和交互性（动态响应外部干预）；“3”代表进阶指标，包括物理准确性、持久性（长时间运行不漂移）和实时性（低时延）。
强调因果性与物理准确性，反映出行业对世界模型的要求正从单纯追求“画面逼真”向“符合物理规律和逻辑推演”转变。这也是世界模型真正应用于 L4 级自动驾驶闭环训练的关键前提。
03数据飞轮与业务落地
在工程落地方面，Apollo World 能够从真实数据中提取高价值场景，将其转化为可重复的虚拟测试，测试结果再反哺系统迭代，形成持续优化的数据飞轮。目前，Apollo World 已投入萝卜快跑的全球化测试与验证。截至 2026 年 11 月，萝卜快跑已覆盖全球 28 个城市，累计自动驾驶里程超 3.5 亿公里，其中全无人驾驶里程超 2.4 亿公里。