刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位
前脚友商还在为你追我赶生成几秒钟的「电子榨菜」视频卷到头秃；后脚李飞飞创办的 World Labs 微微一笑，把桌子掀了—— 就在刚刚，全球首个多模态世界模型 Atlas 正式登场！
▲官方博客🔗 https://www.worldlabs.ai/blog/atlas 按照官方定义，Atlas 是一款面向空间智能的 omni world model，从零开始完成预训练，可以原生处理文本、图像、视频、相机位姿与 3D 深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟。
先来看最直观的炸场操作： Camera Controlled Generation（相机控制生成）。以前大家玩视频生成模型，多少有点玄学抽奖。我们在 Prompt 框里卑微敲下：「镜头缓慢向左拉升、绕着人物微仰角旋转」，回车之后全凭老天保佑。
对比之下，Atlas 的做法是：直接把「相机位姿参数」当作底层原生输入。你要什么角度、什么轨迹、走多快？直接给坐标！只要丢进去 1 到 6 张普通照片，定好运镜轨迹，Atlas 就能生成最长达 1 分钟、1440p 分辨率 的大片。
画面不崩，空间几何丝滑一致，堪称外挂级运镜。更夸张的是它的空间「脑补力」。输入一张只拍到机器人正面的照片？
Atlas 能把人家背影完完整整脑补出来； 给一张泳池边角照？它靠着脑子里的「世界常识」，默默帮你把隔壁没拍到的草坪和远山给修好了。从官方放出的 Demo 来看，Atlas 在镜头运动和空间一致性上确实比普通视频生成模型更进一大步。
不过，镜头一旦进入原图没有拍到的区域，Atlas 实际上仍然需要依赖模型先验去猜，视角跨度越大、生成路径越长，局部几何漂移、物体形状变化和纹理闪烁也越容易暴露出来。换句话说，它生成的更像是一个视觉上合理的三维世界，未必就是原来那个世界的精确数字复刻。而种种操作的背后，也绕不开一个名为 Spatial Context（空间上下文）的行业术语。
大语言模型看上文接下文，Atlas 则是给每张图片绑死三维坐标和深度，在脑子里搭出一个带轴网的房间。说得更直白一点，Atlas 很多能力的底层，其实都绕不开多视角合成。它会把来自不同角度、不同机位的图片和视频，一起塞进同一个三维空间里，先判断它们彼此之间的相对位置，再补足没拍到的区域，继续生成新的视角。
单张图输入时，它更多依赖模型先验去「脑补」世界；输入视角一旦变多，它就更像是在做一次带空间约束的多视角融合，把零散画面慢慢拼成一个连续、可漫游的三维场景。甚至你随便抓两张八竿子打不着的照片往空间里一扔，Atlas 都能强行给你脑补出走廊、大门和房间，把俩场景无缝焊在一起。
导演系同学看到这里，战术沉默，缓缓打出一个问号：合着以后运镜不用实拍，直接在电脑里「云开机」就完事了？除此之外，Atlas 还有第二张王牌：Spatial Reconstruction（空间重建）。传统的 3D 高斯泼溅（3D GS）或者点云扫描，得扛着专业设备围着目标转几十圈，拍几百上千张照片，费钱又费腿。
但 Atlas 再次露出神秘的微笑：一边去，哪来这么多的规矩。官方直接甩出了一个斯坦福大学 Main Quad 案例，只需把 2 到 25 张游客视角的地面平拍照片塞进去，就能轻松还原草坪、拱廊以及纪念教堂外墙的全部细节。镜头随后直接拔地而起，来了一段上帝视角航拍的漫游。
在 DTU、ETH3D、ScanNet 等一堆公开数据集上，专门测稀疏视角重建误差（AbsRel ×10⁻³）：Atlas 拿下了 25.3 的分数（分数越低越好）。对比之下，Pi3X 是 28.7，Depth Anything 3 飙到 39.3，MapAnything 更是高达 47.7。
而且输出直接对接点云和 3D Gaussian Splatting，能无缝接进 World Labs 自家的 Marble 平台，高帧率即时渲染。更绝的还有「子弹时间」式的 Reframing Video。
不用好莱坞几百台相机的环形阵列，研究员拿三五个普通手机、运动相机随手一架，塞进背包带走； 拍一段日常打闹，Atlas 就能在虚拟空间里随意切换视角，原地复刻《黑客帝国》。当然，李飞飞和她旗下的公司 World Labs 折腾这一大出，终极目标肯定不是为了跟好莱坞抢特效饭碗。她的星辰大海，是这代 AI 最大的痛点： 具身智能与机器人。
现在搞机器人训练的朋友都知道，具身智能的最大痛点其实就是「虚拟训练场不够用」。让机器人真的去工厂、仓库和家庭里反复试错，数据采集速度慢，成本也高；换到仿真环境里训练，又得先花大量人力搭建 3D 场景、材质、光照和物体。业内甚至有一种估算，如果完全依靠传统方式收集足够规模的机器人训练数据，最终成本可能达到 100 万亿美元的量级。
Atlas 给出的 Real to Sim 路线，相当于直接省掉了中间大量人工搭建仿真世界的工作。拿手机拍两段 24 帧的工厂或房间视频，喂给模型；Atlas 原地吐出一个高精度的 3D 物理空间，机器人就可以钻进这个孪生空间里疯狂「跑图」试错。甚至机器人走到哪，Atlas 就当场渲染出机载摄像头应该看到的 RGB 图和深度图。
机械臂碰一下刚性箱子、拉一下铰链柜门、捏一下软体海绵，Atlas 统统能模拟出受力反馈。只要录一段真实现场，就能衍生出千万种光照、摆放和障碍物条件。技术底座上，World Labs 这次掏出了一套极其硬核的组合拳： Multimodal Autoregressive Diffusion Transformer，多模态自回归扩散 Transformer。
拆开来看，它兼采了当前两大主流范式的长处： Multimodal：原生融通文本、二维图像、相机位姿与 3D 深度； Autoregressive（自回归）：像语言模型预测下一个词一样，在时空序列中逐级预测新的空间状态； Diffusion（扩散机制）：基于 Rectified Flow 逐步去噪，确保连续高维信号的画质与几何精度； Transformer：以最成熟的矩阵乘法结构为底座，无缝适配现有大规模算力集群。
这套架构让 Atlas 能够同时享受到 LLM 领域的 KV Cache、分布式推理优化，以及扩散模型的采样蒸馏与先验引导。
在针对镜头运动控制的真人 Blind Test（盲测）里，战况简直是一场单方面的骑脸输出： 面对 MiniMax H3，Atlas 胜率 75%；面对 Gemini Omni Flash，胜率 81%；面对 FLUX 3，胜率直接冲上 93%；面对 Seedance 2.5，胜率达到凶残的 94%！
除了世界生成和空间重建，Atlas 还顺带具备了不错的图像生成能力。虽然这不是它的主攻方向，但复杂 Prompt、文字渲染，以及写实、电影感、油画、漫画等多种风格，它都能处理。更有意思的是，Atlas 还能直接根据文字或图片生成 360° 全景图。
相比普通文生图只要保证一个固定画面成立，360° 场景还要处理前后左右的空间连续性，对模型的空间理解要求更高。值得一提的是，除了性能，World Labs 在 Atlas 身上强调的另一个关键词是 Scaling。官方博客提到，随着参数量和计算力成倍上翻，模型展现出了类似大语言模型那种「突然开窍」的涌现能力。
暴力 Scaling 依然是版本答案。目前 Atlas 已经向部分合作伙伴开放 Early Access，并将在未来成为 Marble 和 World Labs 其他产品的底层模型。回过头看，从二十年前奠基计算机视觉的 ImageNet，到斯坦福实验室十年来深耕「视觉＋机器人学习」，再到创办 World Labs，李飞飞本质上是死磕同一条轨道。
ImageNet 解决的是「让机器在像素中识别世界」，而她越来越关心的，是一个更难的问题：机器看见一张图之后，究竟有没有理解背后的三维空间，以及下一秒会发生什么？李飞飞曾把今天的大语言模型形容为「黑暗里的文字高手」，能谈论现实，却缺少真正生活在现实中的经验。
一个模型可以解释杯子为什么会从桌上掉下来，但机器人真要伸手拿杯子，还得知道杯子离桌边多远、手从哪个方向过去，以及碰到它以后整个场景会发生什么变化。Atlas 所代表的空间智能，某种程度上就是给已经十分发达的语言智能继续加上一层关于几何、物理、时间和行动的世界经验。
LLM 把互联网里的知识交给了机器，世界模型接下来争夺的，则可能是机器从数字世界走向现实世界的那张最真实的入场券。