World Labs 发布世界模型 Atlas：统一多模态生成与 3D 重建

World Labs 推出的"全能型"世界模型「Atlas」

Atlas 是一个从零预训练、原生统一处理文本/图像/视频/3D 的「多模态自回归扩散 Transformer」，用单一架构同时完成世界的生成、重建与仿真。 https://www.worldlabs.ai/blog/atlas

Atlas 的关键创新是"空间上下文"（spatial context）：每张图像/深度图都被显式地"放置"在 3D 空间的某个位姿上。这带来两个结果： · 像素级相机控制：相机轨迹是几何输入而非自然语言提示，这是它与所有文本控制镜头运动的视频模型的本质区别； · 上下文即世界：把两张无关照片放进 3D 上下文的不同位置，模型会"脑补"出连接它们的走廊、门洞。这把 LLM 的 in-context 能力第一次赋予了空间语义。

Atlas 的四个能力和技术含量 1. 相机可控生成 单图/多图输入 + 精确相机路径 → 最长 1 分钟、1440p 视频。亮点是"超出视野的合理外推"（生成机器人背面、泳池边的草坪）。1 分钟 @1440p 且全程 3D 一致，若演示无水分，是目前公开模型中的顶级水平。 2. 空间重建（技术含量最高的一项） · 从 1 张到 100+ 张稀疏图像重建场景，2–3 张即可超过专用 SOTA 重建模型（对标 VGGT、π³、Depth Anything 3 等）； · 原生输出点云和 3D Gaussian Splat——即 Marble 产品所用表示，意味着"生成→可渲染资产"的管线被打通； · "看得越多，想象越少"：输入图像数量成为控制"忠实重建 vs 创造性补全"的旋钮，这个交互设计很优雅。 3. 时空仿真 · 视频重取景：3–5 台手机拍的多视角素材 → "子弹时间"效果，把昂贵的多机位捕捉棚平民化； · Real-to-Sim 机器人仿真：24 帧手机视频重建环境 → 生成机器人本体相机的 RGB+深度 → 支持刚体/铰接/可变形物体的操作仿真，且可程序化变换物体、光照、背景来规模化造训练数据。这可能是商业价值最高的一块——直接切入具身智能的数据瓶颈。 4. 图像生成 文本生图、文字渲染、360° 全景。官方自己说是"副产品"，属于展示模型的通用性下限。

基准与 Scaling 信号 · 相机控制生成：第三方人工评测，胜率随相机轨迹复杂度上升而扩大——这个趋势比绝对胜率更有说服力，说明几何输入的优势是结构性的； · 稀疏视角 3D 重建：在多个学术基准上误差低于最佳开源专用模型，且官方复现了全部基线保证公平； · Scaling：每一档算力提升都解锁了新能力，值得期待：如果世界模型也遵循 scaling law，World Labs 的护城河就是算力+数据飞轮，而非单点算法。