李飞飞发布Atlas，世界模型进入新时代

编辑｜Panda

今天，李飞飞创业公司 World Labs 发布了新一代世界模型Atlas。其中一个示例是它生成的画面：李飞飞在办公室里叠衣服，效果极为真实。

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

李飞飞本人也开玩笑转发说：「我们办公室里确实真的在叠衣服！」

那么，Altas 究竟是什么？又是如何让数字世界的李飞飞分身如此拟真地叠衣服的？

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

一个模型，四种模态

World Labs 把 Atlas 称作omni model（全模态模型），从零开始预训练，原生处理文本、图像、视频和3D四种数据。

官方 上的表述是「世界上第一个能以像素级相机控制生成图像与视频帧、并将其重建为 3D 的多模态世界模型」。

这里，我们可以看到 Atlas 的四大能力：

• 相机可控生成，从一到六张参考图出发，按用户指定的机位和角度生成新视角，最高输出 1440p、时长最长 1 分钟的视频。
• 空间重建，从一张到几十张输入图重建真实场景，既输出新视角的图像帧，也输出点云和 3D 高斯泼溅这样的显式 3D 结果。
• 时空模拟，从输入视频中同时建模空间与时间，用于视频重构图和机器人的 Real-to-Sim 流程。
• 图像生成，包括文生图和 360 度全景图。

Atlas 目前不开源，仅向少数合作伙伴开放早期访问申请，后续将驱动 Marble 及 World Labs 的其他产品。

核心设计：空间上下文

Atlas 最核心的设计，World Labs 称之为空间上下文（spatial context）。

Atlas 是一种多模态自回归扩散 Transformer。其输入在三维空间中进行 grounded，以形成空间上下文，并基于该上下文生成多模态输出。

类比一下大语言模型：LLM 把输入编码成 context，再基于 context 生成后续 token。Atlas 的流程相同，区别在于，进入 context 的每一张图像都被锚定在三维空间中的一个具体位置——它带着相机位姿一起进来。

这个改动带来的直接后果是相机不再靠文字描述。过去让视频模型「向左推轨」「升降镜头」，只能把这些电影术语写进提示词里，模型理解到什么程度是个黑箱。Atlas 把相机几何做成了原生输入类型。

World Labs 表示这能让创作者「坐进导演椅，而不是在拉老虎机的拉杆」。

更有意思的是对上下文的编排。你可以往空间上下文里放两张毫不相关的参考图，并指定它们在三维空间中的相对位置，Atlas 会生成一个在两者之间平滑过渡的世界：它自己想象出门廊、走道和转角。

博客里给出了一个例子，把一张站点图片和一张地面图片拼在一起，模型补出了中间从来不存在的空间。

架构与成绩

架构上，Atlas 是一个多模态自回归扩散 Transformer，里面有多个关键词：

• 多模态指它原生处理文本、图像、相机位姿和深度图，视频被表示为图像序列；
• 自回归指输出逐个元素生成，每个任务只是一种不同的序列排列；
• 扩散部分采用 rectified flow，靠逐步去噪生成结果；
• Transformer 骨干则保证了对现代硬件的适配。

World Labs 强调这是 LLM 和视频模型两条技术线的混合体，因此能同时吃到 KV 缓存、分离式部署这类 LLM 侧的推理优化，以及扩散蒸馏、CFG、VAE 改进这类视频侧的算法进展。

评测给出两块。相机可控生成上，World Labs 用单张输入图配一到三段电影化的运镜指令，交由第三方人类评分者盲选。结果是 Atlas 对 MiniMax H3 的胜率 75%，对 Gemini Omni Flash 81%，对阿里 HappyHorse 1.1 86%，对 FLUX 3 93%，对字节 Seedance 2.5 94%，且运镜轨迹越复杂优势越大。

需要注意，World Labs 在博客里自己写明：对比的其他模型不接受相机位姿作为原生输入，因此运镜只能通过文本提示描述。换句话说，75% 到 94% 这个区间衡量的，很大程度上是「原生相机接口」对「文本描述运镜」的差距，而不是纯粹的画面生成质量差距。因此，World Labs 并不是说「Atlas 的视频生成能力全面碾压上述模型」。

3D 重建部分。在稀疏视角重建任务上，Atlas 的平均误差（AbsRel×10⁻³）为 25.3，优于 Pi3X（posed）的 28.7、π³ 的 34.7、VGGT-Ω 1B 的 36.4、Depth Anything 3 的 39.3 和 MapAnything 的 47.7。World Labs 称所有基线结果均由自己复现以保证评测协议一致。需要注意的是，这里的对比对象被明确限定为「最好的开源专用重建模型」，而且 Atlas 并非在每一个数据集上都排第一。

至于 scaling，World Labs 的表述停留在定性层面：训练过程中做了一系列递增规模的模型，每提升一档算力都解锁了新能力。他们尚未公布参数量、训练数据规模、scaling 曲线，也没有推理成本和延迟数据。

看得越多，想象越少

World Labs 官方博客给出了大量示例，整体来看，输入图越多，Atlas 的想象成分越少。

只给一张照片时，模型会大量填补它没看到的部分。博客中的花园例子里，单张地面照片能生成一个航拍视角，花园本身还原准确，其余全靠想象。加入第二张小屋照片后，小屋出现了，但左侧的房子仍是编的。加到第三张，整个场景才对上。

World Labs 说 Atlas 通常在两三张图时就能给出忠实重建，同时也能吃下超过一百张输入图。

比如斯坦福主方庭那个例子：只用 2 到 25 张地面拍摄的照片，Atlas 就能生成远高于校园上空的航拍飞行路径。

博客中可交互浏览的高斯泼溅场景，来自 30 张输入图。

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

更多示例

Atlas 还能做「子弹时间」的时空模拟。World Labs 表示，用三到五台普通相机拍摄的素材，Atlas 就能冻结时间并重新构图，从原本不可能的角度回看同一个瞬间。这些镜头没有专业摄影师，也没有专用设备。按博客的说法，是几位工程师和研究员用手机、三脚架和背包里装得下的夹具拍的。

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

机器人是另一条线。这也是 World Labs 今年 7 月收购仿真公司 SceniX 之后，战略方向第一次以模型形态落地。

World Labs 给出的做法是：用手机视频扫描两个大型环境，每个环境取 24 帧做重建，然后模拟不同形态的机器人沿不同路径行走，由 Atlas 生成机器人机身相机在每一步应该看到的 RGB 和深度数据。

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

这里的关键是世界和机器人对世界的观测来自同一个模型。传统 Real-to-Sim 流程里，环境重建和传感器渲染往往是两套系统，误差在接缝处累积。操作任务上，World Labs 称 Atlas 还能捕捉刚体、铰接体和可变形物体的交互，并支持替换物体、改变位置、调整光照和背景来批量生成变体。

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

最后再展示一下 3D 世界与图像生成的示例：

视频链接：https://mp.weixin.qq.com/s/IlL8LersKlXHXPuPIShbow

结语

把 Atlas 放回时间线里看，World Labs 的节奏相当密集。2024 年 9 月带着 2.3 亿美元融资走出隐身模式，2025 年 11 月推出首款产品 Marble，2026 年 1 月开放 World API，2 月完成 10 亿美元新融资，投资方包括英伟达、AMD、Autodesk、Fidelity 等，估值约 50 亿美元，7 月收购 SceniX，9 月发布 Atlas。

这条路径有一个清晰的转向：从「生成好看的世界」转向「生成够用的世界」。

Marble 服务的主要是影视特效、游戏和建筑可视化，视觉逼真就够了；而机器人训练要的是物理上站得住的场景，以及能被传感器读取的深度与观测。Atlas 把重建、生成和仿真收进同一个模型，让我们看到了「世界模型除了做内容，还能做什么」。

更多详情和示例，请访问原博客：

https://www.worldlabs.ai/blog/atlas