Atlas World Labs 推出的全球首个多模态世界模型

Atlas是什么

Atlas 是李飞飞创办的 World Labs 推出的全球首个多模态世界模型。模型能原生理解文本、图像、视频与 3D 空间信息，通过空间上下文将画面锚定在三维坐标中，实现像素级精确的相机控制生成、稀疏照片 3D 重建及时空模拟。只需几张普通照片，模型能生成可任意运镜的长视频、重建真实场景，为机器人搭建仿真训练环境。

Atlas的主要功能

• 相机控制生成 ：输入 1–6 张照片并指定相机位姿，可生成最长 1 分钟、1440p 的运镜视频，画面空间几何高度一致。
• 空间重建 ：仅用 2–25 张普通照片即可重建真实场景的 3D 点云或高斯泼溅模型，无需专业扫描设备。
• 时空模拟 ：理解空间结构与世界演化，支持子弹时间式多机位重构，以及为机器人提供 Real-to-Sim 仿真训练环境。
• 图像生成 ：根据文本或图像提示生成高质量图片与 360° 全景图，支持复杂提示与多种视觉风格。

Atlas的技术原理

• 多模态自回归扩散 Transformer ：Atlas 从零预训练了一个统一架构，将文本、图像、视频帧、相机位姿和 3D 深度图都编码为同一种空间上下文序列，然后以自回归方式逐元素生成输出；同时采用扩散机制对高维连续数据（图像/视频）进行逐步去噪，兼顾了 LLM 的序列灵活性与视频生成模型的高质量渲染能力。
• Spatial Context（空间上下文） ：与 LLM 的文本上下文不同，Atlas 给每一张输入图像都绑定明确的三维坐标和深度信息，在模型内部构建出一个带空间约束的 3D 场景表示；生成新视图时，模型在这个已建立的空间框架内进行外推与补全，保证跨视角的几何一致性和物理合理性。

如何使用Atlas

• 访问官网 ：申请Atlas访问权限 https://form.typeform.com/to/zHFR4r3A。
• 相机控制生成视频 ：上传 1–6 张参考图，设定相机位姿与运动轨迹，Atlas 即生成最长 1 分钟的运镜大片。
• 3D 空间重建 ：上传 2–25 张普通照片，无需专业设备，Atlas 自动重建为可漫游的 3D 点云或高斯泼溅场景。
• 子弹时间特效 ：用 3–5 部普通手机从不同角度拍摄同一段视频，Atlas 重构后支持任意角度自由回放。
• 机器人仿真训练 ：拍摄真实环境短视频，Atlas 自动生成高精度数字孪生场景，供机器人跑图试错。
• 文生图/全景图 ：输入文本提示或参考图，直接生成高质量图像或 360° 全景。

Atlas的核心优势

• 像素级相机控制 ：将相机位姿作为原生输入，而非依赖模糊的文本描述，实现导演级精确运镜。
• 极致稀疏重建 ：仅需几张普通手机照片可重建高精度 3D 场景，远超传统扫描方案。
• 空间几何一致性 ：基于 Spatial Context 将图像锚定在 3D 坐标中，跨视角生成不崩坏、不闪烁。
• 多任务统一架构 ：单一模型同时覆盖生成、重建、模拟、图像生成，无需切换专用工具。
• Real-to-Sim 闭环 ：能把真实世界视频直接转化为机器人仿真环境，大幅降低具身智能训练成本。
• 持续规模扩展 ：从零预训练且已验证随算力增加性能持续提升，未来上限极高。

Atlas的项目地址

• 项目官网 ：https://www.worldlabs.ai/blog/atlas

Atlas的同类竞品对比

对比维度 | Atlas（World Labs） | Genie 3（Google DeepMind）

Atlas的应用场景

• 影视与 VFX 制作 ：导演提供几张场景照片并设计运镜轨迹，Atlas 可生成分辨率达 1440p 的精确运镜大片，能用几部手机实现子弹时间特效，省掉几百台专业相机阵列。
• 游戏与虚拟场景搭建 ：美术团队上传少量现实照片，Atlas 自动重建为可漫游的 3D 高斯泼溅场景，直接导入游戏引擎，大幅缩短开放世界或 VR 场景的制作周期。
• 机器人与具身智能训练 ：用手机拍摄真实环境短视频，Atlas 自动生成高精度数字孪生场景，供机器人在虚拟空间中反复跑图试错，解决真实数据采集慢、成本高的核心痛点。
• 建筑与房地产展示 ：仅凭几张现场照片即可重建建筑或室内空间的完整 3D 模型，支持任意角度漫游与航拍视角生成，用于楼盘预售展示或古迹数字化存档。
• 广告与电商内容生成 ：输入产品图或文本提示，快速输出 360° 全景展示视频或风格化广告片，通过像素级相机控制确保产品在不同运镜下几何与光影高度一致。