World Labs Atlas 多模态世界模型

World Labs 将 Atlas 构建为一个单一的多模态自回归扩散变换器，从零开始预训练，原生支持在统一空间上下文中处理文本、图像、视频和三维数据，将过去需要独立的摄影测量、点阵训练和相机求解流程的任务整合进一个模型 ^[1]。该模型可生成长达一分钟的 1440p 视频，具备像素级精准的相机控制，并能同时输出显式的三维点云和高斯点阵，以及标准视频帧 ^[1]。在稀疏视角三维重建任务上，World Labs 报告 Atlas 的平均绝对相对点图误差为 25.3，优于次优专业模型的 28.7，行业分析认为这一结果表明生成与重建本质上是同一类任务 ^[2]。这才是真正的关键：Atlas 并非主打更优的视频生成能力，而是押注于一个足够大的模型能够完全取代一系列专业的三维工具。

发布会的核心演示刻意保持朴素：工程师使用三到五部普通智能手机，安装在三脚架和背包式便携夹具上拍摄场景，随后由 Atlas 重建场景并从手机从未拍摄过的视角重新生成画面，实现了通常需要专用多相机阵列才能实现的‘子弹时间’效果 ^[1]。线上反响迅速且广泛，从官方演示视频、李飞飞本人将其称为迄今最优秀的相机条件化世界模型，到独立评论，甚至延伸至中文 AI 社区，各方观点都聚焦于同一个细节：实现这一镜头不再需要相机阵列。除了创意层面的重构，World Labs 还将这种稀疏到稠密的重建能力定位为机器人‘现实到仿真’（Real-to-Sim）工作流的工具，用于生成机器人训练所需的仿真环境 ^[3]。

尽管发布视频制作精良，但 World Labs 尚未发布任何论文、arXiv 条目、模型卡或代码，导致其架构和训练数据从外部几乎无法验证 ^[3]。所有关键数据，包括 Atlas 在人类评分中以 75–94% 的偏好率胜过 MiniMax H3、Gemini Omni Flash、FLUX 3 和 Seedance 2.5 的结果，均来自 World Labs 内部测试，尚未被独立复现 ^[2]。这种‘精良演示’与‘缺乏证据’之间的落差，正是线上反应出现分歧的根源：在广泛兴奋的同时，也有声音尖锐指出演示‘如同障眼法’，静态暂停帧‘看起来很糟糕’，并指出一个警示信号——独立分析（包括 YouTube 上的拆解）识别出一种稀疏视角下的幻觉失效模式：稀疏输入视角被生成的几何结构而非真实捕捉的几何结构填充。Reddit 上的怀疑者直言不讳地总结情绪，称 Atlas 只是‘比摄影测量法略微领先一小步’。

Atlas 是 World Labs 在不到两年内发布的第三款公开产品，每一步都在强化同一核心论点。该公司于 2024 年 9 月结束隐匿状态，获得 2.3 亿美元融资，支持李飞飞的观点：AI 必须原生理解三维空间与时间，才能真正理解物理世界 ^[6]。2025 年 11 月，公司推出首款商业产品 Marble，可将文本、照片、视频或全景图输入转化为可编辑的三维环境 ^[5]。截至目前，总融资额已增长至约 12 至 12.3 亿美元，投资方包括 Nvidia、AMD、Autodesk、a16z、Intel Capital、Eric Schmidt 和 Ashton Kutcher ^[4]。Atlas 目前正进入与部分合作伙伴的早期访问阶段，World Labs 表示将把该模型整合进未来版本的 Marble 中，而非作为独立产品发布 ^[1]，这表明公司仍在通过一个面向消费者的界面实现商业化，同时利用每一款新模型不断加深其技术护城河。