World Labs发布Atlas世界模型

World Labs发布了Atlas,这是一个从零开始预训练的多模态世界模型,通过单一自回归扩散Transformer架构原生统一了文本、图像、视频和3D处理。
Key insights
Atlas代表了世界建模的代际飞跃
Atlas被描述为比World Labs上一代模型强大得多,能够从单张图像创建完整的3D场景并理解时间演变。它将多张图像整合到共享的空间上下文中,将每张图像锚定在特定的3D位置以确保一致性,同时想象未见内容。这种统一架构处理生成、重建和仿真,标志着对先前模型的重大进步。
空间上下文是实现上下文3D推理的关键创新
通过将每张图像/深度图明确放置在3D姿态中,Atlas实现了像素级相机控制,其中相机轨迹是几何输入而非文本提示。这种结构差异使得模型能够“想象”放置在相同3D上下文中的无关照片之间的连接,有效将LLM风格的上下文学习带入空间语义。根据第三方人类评估,这一优势随着相机轨迹复杂度的增加而增长。
空间重建超越专用最先进模型
根据官方基准测试(所有基线均为了公平性而复现),Atlas仅需2-3张稀疏图像即可重建场景,且误差低于VGGT、π³和Depth Anything 3等专用开源模型。它原生输出点云和3D高斯泼溅——这与World Labs的Marble产品中使用的表示相同,从而创建从生成到可渲染3D资产的直接管道。优雅的交互设计让用户通过输入图像数量来控制保真度与创造力的权衡。
真实到仿真管道对具身AI具有最高商业潜力
Atlas可以接收24fps的手机视频,重建环境,并生成机器人自我中心的RGB+深度视图,以模拟刚体、铰接和可变形物体的操作。可编程地改变物体、光照和背景的能力使得可扩展的训练数据生成成为可能,直接解决了具身智能中的数据瓶颈。这一能力被强调为模型最具商业价值的部分。
缩放行为暗示算力+数据飞轮,而非仅仅是算法优势
每次计算预算的增加都在Atlas中解锁了新能力,表明世界模型可能遵循类似LLM的缩放定律。如果这一趋势成立,World Labs的竞争护城河将建立在持续的算力和数据扩展之上,而非单一的算法突破,使得竞争对手难以快速追赶。