大模型理解文字，李飞飞想让Atlas理解空间。就在前脚友商还在为生成几秒钟的“电子榨菜”视频卷到头秃时，后脚李飞飞创办的World Labs微微一笑，将桌子掀了——全球首个多模态世界模型Atlas正式登场。
事件概览
按照官方定义，Atlas是一款面向空间智能的omni world model，从零开始完成预训练，可以原生处理文本、图像、视频、相机位姿与3D深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟。World Labs在官方博客中公布了这一消息，并展示了多项令人惊叹的Demo。
核心信息
相机控制生成：运镜不再玄学
最直观的炸场操作是Camera Controlled Generation（相机控制生成）。以往视频生成模型依赖Prompt，用户输入“镜头缓慢向左拉升、绕着人物微仰角旋转”后，结果全凭运气。Atlas直接将“相机位姿参数”作为底层原生输入，用户只需给定坐标，丢进去1到6张普通照片，定好运镜轨迹，就能生成最长达1分钟、1440p分辨率的大片，画面不崩，空间几何丝滑一致。
更夸张的是它的空间“脑补力”。输入一张只拍到机器人正面的照片，Atlas能完整补出背影；给一张泳池边角照，它能靠模型先验补出隔壁没拍到的草坪和远山。不过，镜头一旦进入原图没有拍到的区域，Atlas仍然需要依赖模型先验去猜，视角跨度越大、生成路径越长，局部几何漂移、物体形状变化和纹理闪烁也越容易暴露。它生成的更像是一个视觉上合理的三维世界，未必是原来那个世界的精确数字复刻。
空间重建：稀疏视角重建3D场景
Atlas的第二张王牌是Spatial Reconstruction（空间重建）。传统3D高斯泼溅或点云扫描需要专业设备围着目标转几十圈，拍几百上千张照片。Atlas只需2到25张游客视角的地面平拍照片，就能还原斯坦福大学Main Quad的草坪、拱廊以及纪念教堂外墙的全部细节，并生成上帝视角航拍漫游。在DTU、ETH3D、ScanNet等公开数据集上，专门测稀疏视角重建误差（AbsRel ×10⁻³）：Atlas拿下25.3的分数（分数越低越好），对比Pi3X的28.7、Depth Anything 3的39.3、MapAnything的47.7，优势明显。输出直接对接点云和3D Gaussian Splatting，能无缝接入World Labs的Marble平台，实现高帧率即时渲染。
子弹时间式Reframing Video
无需好莱坞几百台相机的环形阵列，研究员用三五个普通手机、运动相机随手一架，拍一段日常打闹，Atlas就能在虚拟空间里随意切换视角，原地复刻《黑客帝国》中的子弹时间效果。
技术架构：多模态自回归扩散Transformer
Atlas的技术底座是一套极其硬核的组合拳：Multimodal Autoregressive Diffusion Transformer，即多模态自回归扩散Transformer。它兼采两大主流范式的长处：Multimodal原生融通文本、二维图像、相机位姿与3D深度；Autoregressive像语言模型预测下一个词一样，在时空序列中逐级预测新的空间状态；Diffusion基于Rectified Flow逐步去噪，确保连续高维信号的画质与几何精度；Transformer以最成熟的矩阵乘法结构为底座，无缝适配现有大规模算力集群。这套架构让Atlas能够同时享受到LLM领域的KV Cache、分布式推理优化，以及扩散模型的采样蒸馏与先验引导。
盲测表现：单方面骑脸输出
在针对镜头运动控制的真人Blind Test（盲测）里，Atlas面对MiniMax H3胜率75%，面对Gemini Omni Flash胜率81%，面对FLUX 3胜率冲上93%，面对Seedance 2.5胜率达到凶残的94%。
图像生成与360°全景图
除了世界生成和空间重建，Atlas还具备不错的图像生成能力，能处理复杂Prompt、文字渲染以及写实、电影感、油画、漫画等多种风格。更值得关注的是，Atlas能直接根据文字或图片生成360°全景图，相比普通文生图需要处理前后左右的空间连续性，对模型的空间理解要求更高。
影响与观察
李飞飞和World Labs的终极目标不是与好莱坞抢特效饭碗，而是解决具身智能与机器人训练的最大痛点。目前机器人训练依赖真实场景反复试错，数据采集速度慢、成本高；换到仿真环境又需大量人力搭建3D场景、材质、光照和物体。业内估算，完全依靠传统方式收集足够规模的机器人训练数据，最终成本可能达到100万亿美元量级。
Atlas给出的Real to Sim路线，直接省掉了中间大量人工搭建仿真世界的工作。拿手机拍两段24帧的工厂或房间视频，喂给模型，Atlas就能原地吐出一个高精度的3D物理空间，机器人可以钻进这个孪生空间里疯狂“跑图”试错。机器人走到哪，Atlas就当场渲染出机载摄像头应该看到的RGB图和深度图。机械臂碰一下刚性箱子、拉一下铰链柜门、捏一下软体海绵，Atlas统统能模拟出受力反馈。只需录一段真实现场，就能衍生出千万种光照、摆放和障碍物条件。
World Labs还强调了Scaling的重要性。官方博客提到，随着参数量和计算力成倍上翻，模型展现出了类似大语言模型那种“突然开窍”的涌现能力，暴力Scaling依然是版本答案。目前Atlas已经向部分合作伙伴开放Early Access，并将在未来成为Marble和World Labs其他产品的底层模型。
结语
从二十年前奠基计算机视觉的ImageNet，到斯坦福实验室十年来深耕“视觉+机器人学习”，再到创办World Labs，李飞飞本质上是死磕同一条轨道。ImageNet解决的是“让机器在像素中识别世界”，而她越来越关心的是：机器看见一张图之后，究竟有没有理解背后的三维空间，以及下一秒会发生什么？李飞飞曾把今天的大语言模型形容为“黑暗里的文字高手”，能谈论现实，却缺少真正生活在现实中的经验。一个模型可以解释杯子为什么会从桌上掉下来，但机器人真要伸手拿杯子，还得知道杯子离桌边多远、手从哪个方向过去，以及碰到它以后整个场景会发生什么变化。Atlas所代表的空间智能，某种程度上就是给已经十分发达的语言智能加上一层关于几何、物理、时间和行动的世界经验。LLM把互联网里的知识交给了机器，世界模型接下来争夺的，可能是机器从数字世界走向现实世界的那张最真实的入场券。
信息来源：爱范儿，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。