还记得被“英语完形填空”
支配的学生时代吗？
在看似随机的空格
和难分正误的答案选项中
我们逐渐学会了
一门外语的逻辑和语法
有趣的是
在大语言模型的训练过程中
核心方法之一
也是类似的“完形填空”
让模型“猜”句子中
被盖住的文字
进而理解和生成人类语言
如果把维度从语言世界
拓展到物理世界
有没有可能
也用“完形填空”的方式
让 AI 学习三维世界的
几何空间规律
构建更逼真的世界模型
判断 AI 能否真正掌握三维视觉规律，“多视角生成”是一块关键试金石，比如给 AI 输入一个物体的正视图，让它去脑补生成左视图、右视图或其他任意角度的视图。
针对这样的任务，当前主流方法大概分为三派，但都存在局限性：
3D 重建派
先构建完整3D模型再渲染新视角，虽几何精准，但过程繁琐、效率低下。
相机参数派
生成时必须输入目标视角的精确数学方位参数，灵活性差，难以泛化。
图像编辑派
以“修图”思路去生成，一次仅能生成单一视角，效率低且误差易累积。
为了突破这些局限，中国电信集团 CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙教授带领科研团队，基于智传网（AI Flow）理论，提出了一种新的世界模型生成框架 ViewMask-1-to-3。
它不依赖任何 3D 建模工具或几何先验知识，仅通过对 AI 进行“视觉完形填空”训练，便能实现高质量、高一致性的多视角图像生成。
既然 AI 能用“完形填空”（即掩码预测，Masked Language Modeling）学习语言规律，那能否用同样的方式让 AI 学会三维的视觉规律？
ViewMask-1-to-3 的答案是：可以！
[ 第一步：拆词 ] .
研究团队以离散大语言模型为底座，用 MAGVIT-v2 视觉分词器，把图像压缩成一串“视觉词元”（token）。
[ 第二步：组句 ] .
将目标物体（如一把椅子）的前、后、左、右四个视图的所有词元，按顺序拼接成一个“视觉长句”。同时，将参考图与文本描述作为前缀加入，提供上下文。
[ 第三步：猜词游戏 ] .
在训练中，随机“盖住”（掩码）目标视角的部分词元，让模型根据上下文（参考图、文本及其他可见视角）来预测被遮住的内容。
通过海量的随机掩码与双向注意力学习，模型在“残缺信息”中学会了补全，深刻理解了何为“跨视角一致性”。
此外，在模型训练过程中，其多模态理解与生成的能力也得到进一步提升。
预训练阶段
团队用 120 万张图文对，让模型学会把"文字 token"和"图像 token"映射到同一套空间里，互相对齐。
图生多视角（I2MV）
将一张参考图，随机遮住目标视角的部分 token，让模型预测。
文生多视角（T2MV）
没有参考图，只给文字提示，随机遮住所有视角的部分 token，让模型预测 4 个不同角度的图像。
模型在推理时，将待生成的目标视角全部遮蔽，模型逐步预测、还原，再依据置信度对低把握的位置重新遮蔽，直到所有视角清晰浮现。
这与 TeleAI 团队长期研究的“正激励噪声”（Positive-incentive Noise，Pi/π-Noise）理论一脉相承：精心设计的噪声不是干扰，反而驱动着模型不断优化。
在 GSO 和 3D-FUTURE 两个标准测试集上，ViewMask-1-to-3 在图像质量、几何一致性等关键指标上均超越 Zero-1-to-3、ViVid-1-to-3 等主流基线模型。
在生成效率上，其优势尤为显著。zero-1-to-3 需要 2.66 秒/视角，ViVid-1-to-3 需要 5.99 秒/视角，AR-1-to-3 需要 5.35 秒/视角，而 ViewMask-1-to-3 只需 1.28 秒/视角——快了约 2-4 倍。
在能力泛化上，ViewMask-1-to-3 也展现了出色的潜力。
规模可扩展
从 4 视角扩展到 6 视角、8 视角，只需约 9k 步微调，且性能几乎不变。8 视角甚至超出了原本训练时的最大序列长度，模型仍能稳定泛化——说明这套"完形填空"范式具有天然的扩展性。
能力可扩展
由于底座是统一的离散扩散框架，ViewMask-1-to-3 的能力边界远不止于多视角生成，模型本身即可做到图像补全与"指哪转哪"（结合 SAM 对画面中指定物体旋转视角）；稍加数据微调，多模态理解、文生图同样信手拈来。
在文生图任务的评测榜单 GenEval 上，ViewMask-1-to-3 拿到了 0.72 的综合分，超越专门做图像生成的 SD3.5-L，比同类型统一模型 MMaDA（0.63）高出 0.09。
相关工作
R. Zhu, Z. Huang, J. Sun, P. Luo, H. Zhang, X. Li*, “ViewMask-1-to-3: Multi-View Consistent Image Generation via Multimodal Diffusion Models”, ICML 2026, arXiv:2512.14099.
J. Shao and X. Li*, "AI Flow at the Network Edge", IEEE Network, vol. 40, no. 1, pp. 330-336, Jan. 2026, doi: 10.1109/MNET.2025.3541208.
H. An, W. Hu, S. Huang, S. Huang, R. Li, Y. Liang, J. Shao, Y. Song, Z. Wang, C. Yuan, C. Zhang, H. Zhang, W. Zhuang, X. Li*. "AI Flow: Perspectives, Scenarios, and Approaches", Vicinagearth 3, 1 (2026).
