高德开源ABot-Recon，显存峰值6.71GB

高德发布流式3D重建模型ABot-Recon。该模型不保存长程记忆，只使用最近连续12帧画面作为局部上下文，以实时处理上万帧的3D场景，面向自动驾驶、具身智能和测绘等需要持续理解空间的任务。

传统流式重建在序列增长后容易出现误差累积和显存占用扩大。ABot-Recon采用“局部位姿预测加残差优化”的方案，每次预测当前相机坐标系中的局部点云和相邻两帧相对位姿，再在线组合为全局轨迹与三维场景。由于计算窗口固定，计算复杂度不会随历史帧数持续增加。

为处理局部预测误差，模型在推理和训练阶段分别加入轨迹纠偏与误差约束。高德称，在Oxford Spires长序列基准测试中，ABot-Recon的平均轨迹误差较LingBot-Map降低40.6%。这项结果来自公司公开测试，实际表现仍取决于输入环境和评测设置。

速度测试中，模型在KITTI-02上达到24.45帧每秒，是对比方法的1.24倍。峰值显存占用约6.71GB，约为同类模型的三分之一。固定局部窗口把长序列处理的资源需求控制在较稳定水平，使普通设备部署更可行。

ABot-Recon只需要单目RGB视频，不要求额外的深度传感器或预先给定相机参数。这降低了数据采集硬件门槛，可用于商场、园区和仓库等定位信号较弱、环境变化较快的私域场景，也适合底图更新和3D内容生产。

局部窗口也带来需要继续验证的边界。连续12帧足以处理短时运动，但万帧级全局一致性仍依赖在线组合与纠偏机制；公开基准上的轨迹误差下降，不等同于所有开放环境都能保持同样精度。

高德已在GitHub开放模型权重、推理代码和评测代码，并在魔搭社区上线体验入口。开发者由此可以复现基准结果，并测试不同视频长度、运动速度和场景变化下的显存、速度及误差。