World Labs 发布下一代世界模型 Atlas：1～6 张图生成 1 分钟 1440p 视频

9 月 1 日，World Labs 在官方博客发布下一代世界模型。官方称，这是一个从零预训练的 omni 模型，原生处理文本、图像、视频与 3D；架构上为多模态自回归扩散 Transformer，所有输入统一到共享的 3D「空间上下文」，再逐个生成与已见内容保持 3D 一致的下文。

最可量化的能力是：输入 1～6 张参考图，按手动设计的相机路径生成最长 1 分钟、1440p 的视频；输入 1 张到百余张图像，把真实场景重建为点云与 3D Gaussian splat（3D 高斯泼溅）形式的显式 3D 输出。以上均为 World Labs 官方口径，截至发稿未经独立验证。

李飞飞：这是迄今最好的相机可控世界模型

截至发稿，官宣推文已有约 12.8 万次观看、1,136 次点赞。称 Atlas 是「世界上第一个既能以像素级相机控制生成图像与视频帧、又能将其重建为 3D 的多模态世界模型」，并配上一句口号：「建模世界，移动相机，模拟空间与时间。」

截至发稿能看到的公开评价，主要来自 World Labs 创始团队，以及 a16z 的 Martin Casado。（World Labs 联合创始人兼 CEO，斯坦福大学教授）写道：「这是迄今最好的相机可控世界模型，为从 VFX（视觉特效）到机器人的许多用例打开了大门。」

联合创始人说，Atlas 的特殊之处在于，「把生成与重建这两个我研究了十多年的核心视觉智能任务，结合在了一个模型里」。在 World Labs 负责 3D 工作的（NeRF 的共同创造者）补充说，Atlas「同时是相机可控视频生成、新视角合成与稀疏 3D 重建的一流方法」。

（a16z）的评价是：「了不起的成就。把它想成一个完全相机可控的视频模型，场景保持（近乎）3D 一致；它构建在完全自研的基础模型之上，用例从视频编辑、3D 重建到机器人都有。」

从 Marble 到 SceniX：生成、重建与模拟汇入一个模型

Atlas 是 World Labs 产品线的一次换代。第一款产品于 2025 年 11 月 12 日向所有人开放，能从文本、图像、视频或粗略 3D 布局生成可进入、可编辑的 3D 世界，导出为 Gaussian splat、网格或视频。

2026 年 1 月 21 日，World Labs 推出，把 Marble 的世界生成变成可编程接口，用于游戏、建筑可视化，以及与 NVIDIA Isaac Sim、MuJoCo、RoboSuite 对接的机器人模拟。

机器人这条线在 7 月明显加速。7 月 21 日，World Labs 宣布机器人公司；7 月 28 日公布的称，完全在模拟中训练的策略零真实数据迁移到 ALOHA、RB-Y1、YAM 等真实机器人上，其中多个演示任务连续自主运行一小时无需干预。

Atlas 把生成、重建与模拟收进一个模型：相机可控图像/视频、真实场景转显式 3D、多相机视频重取景与 Real-to-Sim（真实到模拟）机器人工作流。官方说明，Atlas 输出的 3D Gaussian splat 与 Marble 使用同一种表示，能「自然地与其余产品整合」，并将「驱动未来版本的 Marble 及其他产品」。

空间上下文：把每一张图钉在 3D 坐标里

Atlas 的架构由四个特性拼成：多模态、自回归、扩散、Transformer。它当前原生处理文本、图像、相机位姿和 3D 深度图，视频被表示为图像序列；扩散部分采用 rectified flow（整流流），通过逐步去噪生成输出。

每一张图像和深度图都附带显式相机位姿，相机几何因此成为原生输入类型，「像素级相机控制」由此而来：用户直接指定机位与轨迹，而不是用文字描述镜头。官方还称，它可以受益于 LLM 推理侧的 KV 缓存（KV-caching）、缓存感知路由（cache-aware routing）、分离式推理（disaggregated serving），以及图像视频模型侧的扩散蒸馏（diffusion distillation）、无分类器引导（classifier-free guidance）等工程进展。

官方称它像 LLM 一样先编码上下文再生成输出，区别在于「每张图都被锚定在 3D 空间中的一个位置，形成空间上下文」。

一个演示把两张互不相关的参考图放进上下文并摆好位置，Atlas 生成一个在两者间平滑过渡的世界，想象出门洞、走廊等过渡结构。示例视频中，少量参考图加一条手工设计的相机路径，Atlas 就生成了一段连贯的世界。

重建一侧，官方称典型情况下 2～3 张图就能忠实重建，输入越多、想象越少；斯坦福 Main Quad 的例子只用 2～25 张地面照片，就生成了高空俯瞰的航拍路径。

机器人模拟中，每个环境用手机视频的 24 帧完成重建，再从机器人视角生成 RGB 与深度数据，可改变物体、位置、运动、光照与背景，覆盖刚体、铰接体与可变形物体。

时空模拟还有一项「子弹时间」演示：用 3～5 台普通手机（三脚架与背包夹固定）拍摄的素材，即可冻结时间并从任意角度重取景。

反超专业重建模型？先看官方评测口径

World Labs 表示「没有单一基准能覆盖 Atlas 的通用性」，因此只公开了两项任务的量化评测。

相机可控生成方面，它对比一批顶尖视频模型，每轮用 1 张输入图配 1～3 个电影感相机运动（pan、truck、crane 等）；竞品不接受原生相机输入，官方用文本描述相机路径，再请第三方人工评审判断谁更贴合目标轨迹。结论是 Atlas 胜出，且轨迹越复杂优势越大。

3D 重建方面，对比对象是「最好的专用开源重建模型」，图表中的基线包括 Pi3X、VGGT-Ω、Depth Anything 3 与 MapAnything；官方称复现了所有基线以保证评测协议一致。图表标题为「3D Reconstruction Error（越低越好）」，但正文没有给出具体误差数值。

另一个主张是规模定律：官方称训练了一系列规模与训练算力递增的模型，每一档算力都解锁了新能力，因此「性能随训练算力增加而提升」预计会持续成立。这些结论全部出自 World Labs 自己的博客。

早期访问开放，公开验证仍是悬念

Atlas 目前只对选定合作伙伴开放早期访问，官网提供申请入口；博客同时发布了研究工程岗位的招聘信息。官方博客没有公布面向公众开放的时间表，也没有说明它会以什么产品形态落地。

在独立复现与 Marble 新版本出现之前，「反超专业模型」的说法只能追溯到 World Labs 自己。