World Labs发布Atlas多模态世界模型

李飞飞创办的World Labs正式发布了Atlas，号称世界上第一个多模态世界模型。 Atlas最核心的变化，是它不再把视频理解成单纯的一串像素。这个模型从头训练，原生处理文本、图像、视频、相机位姿和3D深度信息，把所有输入放进一个统一的3D空间上下文里，再预测接下来应该看到什么。 给它一张照片，你可以直接移动虚拟相机，绕到照片里根本没有拍到的位置，Atlas会一边补全整个世界，一边保持场景的空间一致性。而且相机控制不是输入一句模糊指令，而是直接把相机几何作为模型输入，可以指定精确的位置、角度和运动轨迹。 目前Atlas可以：用1-6张参考图生成最长1分钟、1440p的连续视频；从一张到几十张照片重建整个空间；输出新的任意视角画面；直接生成Point Cloud和3D Gaussian Splat；从视频恢复空间，同时模拟空间随时间发生的变化。 还有一个比视频生成更值得关注的用途：机器人。以前要给机器人搭一个真实环境的数字孪生，往往需要专门的扫描设备。World Labs展示的案例里，只用手机拍一段视频，抽取24帧，Atlas就能重建一个大型真实环境。随后机器人在这个虚拟环境里走任何轨迹，Atlas都可以生成机器人摄像头本应看到的RGB和深度数据。 Atlas是一个multimodal autoregressive diffusion transformer。它一半很像LLM，自回归地不断预测下一个空间状态；另一半又像扩散模型，负责生成高质量图像和视频。World Labs还专门展示了scaling结果：随着训练算力增加，模型能力仍然持续提升，证明了世界模型存在自己的Scaling Law。 这也解释了为什么李飞飞一直说，Spatial Intelligence会是AI的下一个前沿。LLM学的是语言世界里的规律，Atlas想学的是一个更麻烦的东西：空间长什么样、相机移动以后会看到什么、物体怎么运动，以及世界下一秒会发生什么。 Atlas目前还没有全面开放，只向少数合作伙伴提供Early Access，之后也会成为World Labs旗下Marble的底层模型。