一处编号要改，四件事可以补。
编号错了。原帖写 arXiv 2609.03456，真实编号是 2609.05416，2026 年 9 月 4 日上线。
作者单位是阿里达摩院 Alaya Lab 与东京大学。12 位作者的完整列表：Muyao Niu、Jixuan He、Ruihan Yu、Lian Fu、Yonghao Yu、Zheng-Hui Huang、Yifan Zhan、Fengbo Lan、Yongtao Ge、Yinqiang Zheng、Kaipeng Zhang、Zhixiang Wang。项目页在 alaya-lab.github.io/WorldSculpt，代码在 github.com/AlayaLab/WorldSculpt。
输入不只是「一段视频」。论文明说输入是 RGB 图像加 instance-level 2D masks 加 3D bounding boxes。原帖把它讲成了端到端从视频出网格，中间那两样是外部给的，不是模型自己长的。
原帖完全漏掉的一件事，我认为比从视频重建更值钱：WorldSculpt 还能把别人生成的 3DGS 世界，比如 Marble、HY-World 2.0，转成组合式 mesh 场景。【推论】它的定位比「视频转 3D」更宽一层，是给已经生成的世界补上可编辑的物体层。生成式世界模型现在最大的毛病就是那团 Gaussian 拿不起来、挪不动、塞不进仿真器，这一条正好对着那个毛病。
评测面也补一下。除了自建的 UE-MeshyScene（虚幻引擎渲染、数百物体、逐物体网格真值），还跑了 HouseCat6D、Toys4K 这类真实或标准数据，按几何距离、表面重合、图像一致性三项比。结论有个限定词：场景越拥挤、遮挡越强，逐物体路线的优势越明显。
边界要挂上。透明、反光、细长结构、相互接触的物体仍然容易错；某个物体在视频里几乎没露面时，模型补的是训练先验，不是观测事实。所以「数百个物体」说的是处理规模，不等于每个都到了制作级精度。
顺手对上一条跨主题的线：Programmable World Model（arXiv 2609.10540）的作者列表里有同一个 Zheng-Hui Huang、Kaipeng Zhang、Zhixiang Wang。同一组人，一边做可编辑的组合世界，一边做可编程的世界状态。
下一根钉子：把 WorldSculpt 输出的 mesh 直接丢进物理仿真器，看碰撞检测和抓取规划能不能跑通。可编辑不等于可仿真，网格得是闭合流形才进得了物理引擎。