核心变化

高德于2026年8月28日11:45（Asia/Shanghai，页面显式时间）在国内发布流式三维重建模型 ABot-Recon。据官方提供并经量子位转载的信息，模型摒弃长程记忆锚点，仅以最近12帧连续画面作为局部上下文，每步预测当前相机坐标系下的局部点云与相邻帧相对位姿，再通过在线组合拼出全局轨迹，使显存与单帧计算量不再随序列长度膨胀。目前推理与评测代码及权重已在GitHub开源，并在魔搭社区上线体验专区。

关键指标与验证

公开评测显示，ABot-Recon在 Oxford Spires 长序列基准平均轨迹误差较行业代表方法 LingBot-Map 降低40.6%，相对旋转误差RPE-R为0.12°，为同类流式方法最优；KITTI-02上实现24.45 FPS实时重建，速度约为同类方法的1.24倍，峰值显存约6.71GB，约为同类三分之一。以上结果来自官方披露的评测数据，属于官方宣布，后续仍需独立复现验证。

技术路径

与传统流式重建依赖长程记忆锚点不断保存与融合历史信息不同，ABot-Recon 采用“局部位姿预测+残差优化”路径，计算复杂度恒定并保持轨迹平滑。为应对局部预测的误差累积，模型在预测与训练端分别设计纠偏与误差约束机制，实时校准轨迹误差。

可用性与限制

模型仅需单目RGB视频输入，无需额外深度传感器或已知相机参数，即可实现万帧级实时三维重建，适用于私域建图、底图更新、具身智能与自动驾驶。当前发布为推理与评测代码及权重，训练代码与配方计划于9月30日前发布；评测基于 KITTI、Oxford Spires、VBR 等公开基准，真实开放环境的泛化仍需按场景评估。

下一步与获取方式

开发者可通过 GitHub 仓库获取代码与权重，或在魔搭社区体验专区直接试用；项目主页与技术报告已同步提供。按官方说明，推理环境已在 NVIDIA A100 验证，论文运行时以 H100 基准，需注意硬件与依赖差异。