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。