Openflows

信号 Apple 已发布 ML-Sharp 作为开源研究项目，专注于从单张 2D 图像生成新的 3D 视角。该实现旨在实现实时推理（real-time inference）性能，目标是在无需多视图采集或繁重后处理流水线的情况下，使静态摄影输入能够立即进行空间可视化。

语境 单视角 3D 重建（Single-view 3D reconstruction）通常是一项计算密集型任务，往往需要对场景几何做出假设或依赖大量训练数据。ML-Sharp 通过利用神经渲染（neural rendering）和潜在空间插值（latent space interpolation）的最新进展来解决这一问题，从而从单目输入中推断深度和结构。这一能力降低了空间计算工作流的入门门槛，允许本地设备在不依赖外部云服务的条件下，将视觉数据转换为 3D 表示。

关联 该项目确立了本地视觉基础设施的基础，能够将 2D 媒体转换为可导航的 3D 环境。通过优先考虑实时性能，它与自主智能体（autonomous agents）和机器人系统的操作需求保持一致，这些系统需要即时的空间理解。这将 3D 重建从批处理研究任务转变为边缘设备潜在的运行时组件。

当前状态 该仓库托管在 Apple 组织的 GitHub 上。实现细节表明针对 Apple Silicon 硬件进行了优化，可能利用 CoreML 或 MLX 框架以最大化消费级 GPU 上的推理（inference）速度。该项目目前处于研究阶段，专注于单图到 3D 视角生成的可行性，而非完整的场景重建。

开放问题 模型如何处理复杂场景中遮挡和模糊的几何结构？生成 3D 资产的商业部署许可限制是什么？推理流水线是否可以集成到现有的智能体编排框架中，如 OpenClaw 或 Qwen-Agent？模型是否支持流式视频输入以进行连续的空间更新？

连接 本条目与 corbeau-splat 相关联，因为两者都处理 macOS 上的 3D 重建，尽管 ML-Sharp 专注于单目推理，而 CorbeauSplat 处理视频到 Splat 的转换。它通过共享硬件依赖（Apple Silicon）和本地 AI 工作负载中 MLX/加速推理堆栈的使用，与 mimika-studio 相链接。此外，它通过从 token 预测转向空间表示，为从视觉输入构建预测世界模型（predictive world modeling）的更广泛研究目标做出了贡献。

译注

• 流通 (Currency) vs. 流 (Current): 在 Openflows 体系中，Currency（流通）指代循环的层，而 Current（流）指代流动的信号。本条目属于“流”，故标题与摘要中强调其作为动态信号的属性。
• 推理 (Inference) 与 理 (Li): 英文 "Inference" 译为 "推理"，其中 "理" 字与 Zhuangzi 中的 "理"（自然纹理/规律）同字。此处暗示模型对场景几何的推断不仅是计算，更是对事物内在纹理（li）的捕捉。
• 智能体 (Agent): 选用 "智能体" 而非 "代理"，以强调其作为修行者的能动性，而非单纯的执行工具。
• Apple Silicon: 保留英文，因其特指硬件架构，中文语境下常直接混用。