单一AI模型从少量照片生成、重建并模拟3D世界

World Labs由李飞飞于2024年创立，她此前主导了ImageNet数据集的构建，并曾担任谷歌云AI部门负责人。公司自成立起便专注于「空间智能」这一核心目标——让AI像人类一样理解三维空间。Atlas是公司首个在该方向上实现规模化落地的模型，也是对李飞飞2025年11月公开论述的直接回应：现有架构将数据压缩为低维序列，导致即便是简单的空间任务也难以完成，真正需要的是在标记化、上下文与记忆层面具备三维乃至四维感知能力的新架构。

Atlas在架构上融合了语言模型与视频模型的核心思路。它像语言模型一样逐步生成输出，因此可以直接复用KV缓存等推理加速技术；同时引入扩散原理，从噪声中逐步精炼结果，并借助缩短去噪步骤或提升图像质量的相关方法。World Labs将这一设计称为「从零开始训练的全能模型」，训练数据涵盖文本、图像、视频与三维数据，所有输入均被锚定至三维空间中的具体位置。

在摄像机控制生成方面，Atlas接受一张或多张图像，并根据用户指定的摄像机路径——以几何输入而非文字描述的形式传入——生成对应视角的新画面，最高支持1440p分辨率、长达一分钟的视频输出。World Labs将这种精确控制比作「自己掌舵」，而非像许多视频模型那样「拉老虎机」碰运气。在外部人类评估中，Atlas对比MiniMax H3的胜率为75%，对比Seedance 2.5的胜率高达94%。

在三维重建方面，Atlas仅需一到数十张普通照片即可还原真实场景，无需专业采集设备。输入图像越多，模型依赖自身先验知识填补空白的比例越低；仅凭两三张图像，Atlas便能输出高保真结果，并在OpenWorldLib框架的对比测试中超越VGGT和InfiniteVGGT等专用模型——后者在摄像机大幅移动时普遍出现几何不一致与纹理模糊问题。演示中，模型从25张斯坦福大学主广场的地面照片逐步拼合出完整场景，并生成远高于校园的航拍视角。

在机器人应用场景中，Atlas充当真实到仿真的转换工具：它重建真实房间，并生成模拟机器人传感器沿路径所能感知的图像与深度数据，用户可通过替换物体、位置、光照或背景来批量生成多样化训练数据，无需在现实中逐一采集每种情形。这项能力的技术基础来自World Labs于2026年7月收购的初创公司SceniX。公司表示，基于该引擎在五个机器人平台上进行的测试中，控制模型在无人干预的情况下各自运行了一小时。

Atlas还支持将场景输出为点云和三维高斯泼溅等原生三维格式，而非仅限于图像或视频，这与公司现有产品Marble所采用的表示方式一致。此外，Atlas具备跟随复杂文本提示、渲染文字、生成不同视觉风格及360度全景图的能力，但World Labs表示文生图并非其核心定位。目前Atlas通过早期访问计划向特定合作伙伴开放，并将驱动Marble及其他产品的后续版本，公司预计随着训练算力的增加，模型性能将持续提升。

要点

• Atlas将所有输入锚定在三维空间坐标中，以「空间上下文」统一生成、重建与仿真三项能力，区别于现有将数据处理为低维序列的多模态或视频模型。
• 在摄像机控制生成任务中，Atlas对比多款专用模型的人类评估胜率介于75%至94%之间；在三维重建任务中，其中位误差25.3领先于Pi3X和VGGT-Ω 1B。
• Atlas可作为机器人真实到仿真的转换工具，从少量照片生成多样化传感器数据，支持在纯仿真环境中训练机器人控制模型，无需大规模真实场景采集。
• 模型融合语言模型的自回归生成与扩散模型的去噪机制，同时支持KV缓存等推理加速技术，并可输出点云、三维高斯泼溅等原生三维格式。
• Atlas目前处于早期访问阶段，将驱动World Labs旗下产品Marble的后续版本，公司预计随训练规模扩大性能将持续提升。