李飞飞 World Labs 发布 Atlas：号称全球首个多模态世界模型
· 来源：World Labs
像素级相机控制、1-100+ 张图重建 3D、1 分钟 1440p 可控长视频——Atlas 把'世界模型'从生成视频升级为建模、移动相机、模拟时空。
李飞飞的 World Labs 于 9 月 1 日发布新一代世界模型 Atlas，官方称之为全球首个多模态世界模型：建模世界、移动相机、模拟空间和时间。
架构上，Atlas 是一个多模态自回归扩散 transformer（multimodal autoregressive diffusion transformer），从零预训练，原生同时处理文本、图像、视频与 3D。它与 LLM 的关键区别在于空间上下文：每张输入图像都被锚定在空间中的 3D 位置上，所有输入汇入一个共享的 spatial context，模型据此自回归地生成接下来是什么——保持与所见一切 3D 一致，同时想象视野之外的部分。
官方列出了四类能力：
1) 相机控制生成：把精确相机几何当作原生输入（而非文字指令），支持像素级构图与运镜；从 1-6 张参考图生成最长 1 分钟、1440p 的长视频，你坐在导演椅上搭场景，而不是拉老虎机；
2) 空间重建：1 张到 100+ 张输入图重建真实场景，同时输出新视角图像帧与显式 3D，超过专门做 3D 重建的 SOTA 模型——它看到得越多，就想象得越少；
3) 时空模拟：从输入视频建模空间与时间，支持视频重构与面向机器人的 Real-to-Sim 工作流；
4) 图像生成：文本生成图像与 360 度全景，可渲染文字、遵循复杂提示词。
World Labs 称 Atlas 随训练算力提升而变强，将驱动未来版 Marble 及其他产品，现已开放 early access 申请。
背景：World Labs 2024 年 2 月成立，已融资 12 亿美元（NVIDIA、AMD、Autodesk 参投）。李飞飞的核心论点一直是空间智能——AI 要理解物理世界，必须原生推理 3D 物体、人与环境及其空间后果。Atlas 的发布被外界视为这一路线迄今最完整的落地：不再只是生成一段可互动的视频，而是把 3D 一致性、相机几何与时间模拟统一进一个模型。（Hacker News 已有讨论）