一个模型，四项核心能力
Flove 能够胜任覆盖世界生成、重建与模拟的广泛任务。
相机可控生成 CAMERA-CONTROLLED
由一张或多张图像生成图像与视频，实现像素级相机控制，最高输出 1 分钟 1440p 视频。
空间重建 RECONSTRUCTION
由一到数十张输入图像重建真实场景，输出新视角图像与显式三维结果。
时空模拟 SPACE-TIME SIMULATION
对输入视频进行时空建模，实现视频重构与机器人 Real-to-Sim 工作流。
世界生成 WORLD GENERATION
基于真实场景语义生成空间一致的数字环境，扩展场景与训练数据。
相机可控生成
Flove 接收一张或多张参考图像，在你指定的任意相机位置与角度生成全新视角。生成视图与输入图像的内容和几何保持一致，并平滑地外推至画面之外，想象输入中不可见的部分。
让每一个镜头尽在掌握
Flove 将精确的相机几何作为原生输入类型，超越以往基于粗粒度文本的相机控制方式。这让每一个镜头的取景、每一次运动的控制都尽在掌握。
把输入锚定在三维空间
与 LLM 类似，Flove 先将输入编码为上下文，再基于上下文生成输出。但 Flove 的独特之处在于：每一张图像都被锚定在三维空间中的某个位置，从而形成空间上下文。管理这一空间上下文解锁了全新的创作控制力。
你坐在导演椅上，而非拉动老虎机
Flove 通过结合相机运动与空间上下文管理，让你以精确控制生成长视频。你设计每一个场景与每一个机位——你是在安排场景，而非碰运气。
空间重建
Flove 从一张或多张输入图像重建真实世界空间。它无需特殊采集设备或数百个密集视角，即可忠实重建物体与场景。
看得越多，想象得越少
当世界的某些部分在输入视角中不可见时，Flove 会凭借丰富的世界知识填补空白。但有时你并不需要想象——你可能想要真实世界的精确重建。输入更多图像，便为 Flove 提供更多上下文：它看到的越多，想象得越少。
同一场景，无数视角
Flove 能在同一场景中生成众多不同轨迹，为相同的输入图像带来全新视角。无论你如何更改相机路径，场景始终保持一致。
从点云到 3D 高斯泼溅
机器人、游戏、设计、视觉特效等领域的工作流往往需要显式的三维输出。Flove 原生处理二维图像帧与三维深度图，能够将世界输出为点云或 3D 高斯泼溅（Gaussian Splats）。
时空模拟
Flove 既理解世界的空间结构，也理解世界如何随时间演化。空间与时间能力的结合，为视觉特效、机器人等更多领域带来全新应用。
从普通相机到「子弹时间」
Flove 将几台普通相机变成一套「子弹时间」多视角拍摄系统。仅需少至三台相机的素材，Flove 就能冻结时间并重构镜头，让你从不可能的视角观看事件。
规模化的 Real-to-Sim
Flove 为机器人的导航与操作开辟了规模化 Real-to-Sim 的新路径。从几段随手拍摄的视频，Flove 即可辅助构建能够捕捉物体运动与交互的仿真。任务一经仿真，便可轻松变换：更换物体、位置、机器人运动、光照与背景。
世界生成
基于真实场景语义生成空间一致的数字环境，扩展场景与训练数据——形成不同视角 × 布局 × 外观 × 任务的规模化组合。
技术细节
把空间控制置于模型核心。Flove 是一个全模态模型，旨在以单一统一架构处理众多任务与多种输入输出数据类型。
多模态自回归扩散 Transformer
Flove 在多模态序列上运行，逐一生成序列中的每个新元素。这些架构特性共同作用，实现基于空间上下文的全新生成范式：
原生处理文本、图像、相机位姿与三维深度图；视频表示为图像序列。
在元素序列上运行，逐个生成输出，并以序列的前序部分为条件。
整流流模型，通过逐步去噪生成输出，可权衡速度与质量。
主要由大规模矩阵乘法构成，天然适配现代硬件。
在关键任务上超越专用模型
Flove 是一个执行众多任务的全模态世界模型。我们重点展示两项关键任务：相机条件生成与三维重建。
相机控制生成 · 人类评审偏好
三维重建误差（越低越好）
| 方法 | 平均 | DTU | ETH3D | KITTI | NRGBD | 7-Scenes | T&T | ScanNet |
|---|---|---|---|---|---|---|---|---|
| Flove（本模型） | 25.3 | 8.6 | 9.3 | 60.0 | 6.5 | 37.8 | 42.4 | 12.4 |
| Pi3X (posed) | 28.7 | 11.1 | 18.7 | 60.2 | 13.3 | 39.3 | 42.4 | 15.7 |
| π³ VGGT-Ω | 34.7 | 16.2 | 25.4 | 74.8 | 17.5 | 44.4 | 47.0 | 17.4 |
| Depth Anything 3 | 36.4 | 9.7 | 11.4 | 101.4 | 10.5 | 45.2 | 40.2 | 36.6 |
| MapAnything | 39.3 | 11.9 | 23.8 | 93.3 | 11.3 | 50.8 | 55.1 | 29.0 |
| 基线均值 | 47.7 | 18.2 | 34.8 | 115.3 | 20.2 | 47.4 | 60.8 | 37.0 |
各数据集的平均绝对-相对点图误差（AbsRel ×10⁻³），越低越好。
性能随算力持续提升
现代 AI 的多数进展由规模化驱动。我们看到了 Flove 将持续随规模提升的有力证据：每一级新的算力都解锁了新的模型能力。
Build with Flove
Flove 正以早期访问形式向合作伙伴开放。若你希望基于它构建应用，请在下方申请，我们会与你联系。
申请 Flove 内测资格 万物奔流 · 梦想生花 —— 我们也在招聘研究与工程人才，共同推进空间智能。@article{floweriver2026flove,
author = {流花科技团队},
title = {Flove: A World Model for Spatial Intelligence},
journal = {流花科技博客},
year = {2026},
note = {https://www.floweriver.cn},
}