Atlas – World Labs推出的新一代空间智能世界模型

Atlas 是李飞飞创办的 World Labs 推出的新一代空间智能世界模型，也是全球首个原生打通文本、图像、视频与 3D 数据的多模态世界模型。模型从零开始完成全量预训练，采用多模态自回归扩散 Transformer 架构，将所有输入信息融合到统一的共享空间上下文当中，在三维空间逻辑下完成内容生成、场景重建与时空模拟。目前模型面向少数合作伙伴开放早期测试，未来将作为 World Labs 旗下 3D 内容产品 Marble 的底层技术底座。

Atlas特点

模型将相机位姿作为原生输入参数，支持像素级精准的镜头控制。只需 1 到 6 张参考图片搭配指定的镜头轨迹，就能生成最高 1440p 分辨率、最长 1 分钟的视频片段，画面空间几何关系保持一致，运镜过程平滑稳定，不用依赖模糊的文字描述调整镜头效果。

仅需单张或少量图片即可重建完整三维场景。模型会自主推测镜头视野之外的空间内容，补充画面外的场景结构，输入图片数量越多，重建的真实度越高。重建结果既可以输出任意视角的图像帧，也可以直接生成点云、3D 高斯泼溅格式的立体数据。

支持时空联合建模，可基于已有视频完成空间与时间的双重推演。可以对原视频重新构图、切换视角，也可以延续时间轴生成后续的画面内容，让静态的视频素材变成可交互的三维空间片段。

模型性能遵循缩放定律，训练计算量提升的同时，生成质量、空间一致性、推理精度都会同步稳步提升，后续可通过持续扩容迭代解锁更强的能力。

Atlas技术原理

底层采用多模态自回归扩散 Transformer 架构，文本、图像、视频、3D 数据与相机位姿参数，会统一转换为特征序列输入同一套主干网络，最终映射到同一个共享空间上下文当中。模型不需要拆分独立的图像、视频、3D 处理模块，所有模态的信息在三维空间逻辑下完成统一编码与解码。

预训练阶段从零开始引入全模态数据，让模型从基础层面学习物理空间规则、物体空间关系、光影变化规律与时间演化逻辑。不同于在现有图文模型上嫁接视频或 3D 能力的方案，这套训练方式让空间逻辑成为模型的原生能力，生成与重建的内容都能保持稳定的三维一致性。

生成过程基于空间上下文自回归推演，每生成一帧画面都会参考已有的所有空间信息，确保新生成的内容和已见场景在位置、比例、光影上完全对齐。模型同时内置扩散生成机制，在保证空间结构准确的前提下，提升画面的细节丰富度与真实感。

Atlas项目地址

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

Atlas功能

相机控制生成，输入参考图片与指定的相机位姿、运动轨迹，生成对应视角的图像与视频片段，支持运镜速度、角度、焦距的精准调节，输出最高 1440p、最长 1 分钟的视频内容。

空间场景重建，基于 1 到数十张真实场景照片，重建完整的三维空间场景。可输出任意新视角的图像画面，也可导出点云、3D 高斯泼溅等格式的立体数据，直接对接后续的 3D 工作流程。

时空模拟推演，基于输入的视频素材，对空间与时间做联合建模。可对原视频进行重新构图、切换镜头视角，也可以沿时间轴继续推演后续画面，模拟场景的连续变化。

文生图与全景生成，根据文字描述生成对应场景的图像内容，支持生成 360 度全景场景，也可结合参考图完成风格融合与内容拓展。

Atlas应用场景

影视内容制作，用于快速生成镜头预演、虚拟场景片段、视角转场素材，减少实景拍摄与三维制作的成本，缩短创意迭代的周期。

游戏开发流程，用少量参考图快速搭建可交互的 3D 场景，生成游戏环境原型，也可批量产出过场动画、场景镜头素材，提升内容生产效率。

机器人仿真训练，通过真实场景照片快速构建虚拟训练环境，让机械臂、移动机器人在仿真空间中完成动作规划、路径测试，降低实体训练的成本与风险。

数字孪生与空间测绘，针对实体场景快速重建三维数字孪生，用于城市规划、园区巡检、建筑可视化等场景，支撑空间数据的展示与分析。

创意设计与建筑可视化，将设计草图、概念图转化为可漫游的三维空间，快速验证设计方案的空间效果，输出不同视角的展示素材。

Atlas同类产品对比

表格