李飞飞World Labs发布Atlas：全球首个多模态世界模型，可像素级控镜并重建3D
李飞飞创立的World Labs于9月2日发布自称全球首个的多模态世界模型Atlas，支持像素级相机控制生成图像视频、3D重建与时空模拟，官方称可为视觉特效与机器人训练打开大门。
今早，一段“李飞飞在办公室里叠衣服”的视频在AI圈刷屏：画面里的女士神态与动作几可乱真。据机器之心报道，李飞飞本人转发这段由模型生成的画面时开玩笑说：“我们办公室里确实真的在叠衣服！”生成它的，正是这位“AI教母”创办的World Labs于美国当地时间9月1日（9月2日经中文媒体集中报道）发布的新一代世界模型Atlas。
一个模型，四种“世界语言”
据科创板日报9月2日报道，World Labs将Atlas称作“全球首个多模态世界模型”，宣称它能以像素级精确的相机控制生成图像和视频帧，并将其在3D中重建。按官方博客的定义，Atlas是一款面向空间智能的全模态（omni）世界模型，从零开始预训练，原生处理文本、图像、视频与3D四种数据。
它的能力被官方拆成四块：相机控制生成——从一张或多张参考图输出最长1分钟、1440p分辨率的视频；空间重建——从一到数十张输入图还原真实场景，并输出点云、3D高斯泼溅等显式3D结果；时空模拟——把已有视频重新构图、换机位，并支撑机器人的Real-to-Sim流程；图像生成——包括文生图与360°全景图。
把相机几何写进“原生语言”
Atlas最特别之处，在于把相机位姿当作原生输入类型，而非靠文字提示词描述运镜。据机器之心报道，官方形容这让创作者“坐进导演椅，而不是在拉老虎机的拉杆”。只拍到机器人正面的照片，模型能“脑补”出它的背面；一张泳池边角照之外，它会按“世界常识”补出草坪与远山。
空间重建给出的案例更有冲击力：据36氪（爱范儿授权发布）报道，官方仅用2到25张斯坦福大学主方庭的地面平拍照，就还原出草坪、拱廊与纪念教堂外墙，还能生成远高于校园上空的航拍漫游路径。官方称通常两三张图即可给出忠实重建，也能吃下超过一百张输入图。
架构上，Atlas是一个多模态自回归扩散Transformer：文本、图像、相机位姿与深度图被共同“锚定”进三维空间，形成官方所称的“空间上下文”。据量子位报道，这套混合LLM与视频模型思路的设计，能同时吃到KV缓存、分布式推理等LLM侧加速，以及扩散蒸馏、无分类器引导等视频模型算法。
战绩与留白
定量评测上，官方交出两块成绩。据机器之心报道，在相机控制生成的第三方盲测中，Atlas对MiniMax H3的胜率为75%、对Gemini Omni Flash为81%、对阿里HappyHorse 1.1为86%、对FLUX 3为93%、对字节Seedance 2.5为94%，且运镜轨迹越复杂优势越大。在稀疏视角3D重建上，其平均误差（AbsRel×10⁻³）为25.3，低于Pi3X（28.7）、Depth Anything 3（39.3）等专业开源重建模型。
不过留白也很明显。机器之心的报道特别指出：对比模型不接受相机位姿作为原生输入、只能用文本描述运镜，因此75%到94%衡量的很大程度是“原生相机接口”对“文本描述运镜”的差距，并非画面质量全面碾压；重建对比也被限定为“最好的开源专用模型”，并非每个数据集都排第一。官方尚未公布参数量、训练数据规模、scaling曲线与推理成本。36氪则提醒，镜头一旦进入原图未拍到的区域，模型仍需靠先验“猜”，视角跨度越大、路径越长，越容易出现几何漂移与纹理闪烁。
奔着机器人去的“星辰大海”
李飞飞的高徒、英伟达机器人研究主管Jim Fan在转发中评价，这是机器人领域Real-to-Sim的一大步（据量子位）。把Atlas放回World Labs的时间线，这步棋的指向更清晰：据机器之心梳理，公司2024年9月带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2月完成10亿美元新融资、估值约50亿美元，7月收购机器人仿真公司SceniX。彼时，李飞飞刚在6月把世界模型分为渲染器、模拟器、规划器三类，并强调“最关键的是模拟器”（据量子位）。
官方演示里，用手机拍两段各取24帧的厂房视频即可重建环境，再由Atlas生成机器人机身相机沿路径应看到的RGB与深度数据，低成本批量制造训练场景。36氪援引业内估算称，若完全靠传统方式收集足量机器人训练数据，成本或高达100万亿美元量级——这正是Atlas“以生成换训练场”的叙事张力所在。
目前Atlas不开源，仅向部分合作伙伴开放早期访问，并可在官网申请，未来将成为Marble及World Labs其他产品的底层模型（据机器之心）。站长之家则援引官方说法称，未来几周将逐步向更广泛的早期访问者开放。至于“全球首个”的头衔能否经得起真实场景的独立检验，答案还在路上。
信息来源
信息来源：科创板日报