21CTO导读：当地时间9月1号，“AI教母”李飞飞旗下World Labs发布新一代世界模型Atlas。

由著名AI科学家、“AI教母”——李飞飞创办的World Labs在9月1号正式发布了新一代世界模型Atlas，这是一款从零开始预训练的「多模态模型」，可原生处理文字、图像、视频与3D四种形态。

World Labs表示，Atlas将驱动未来版本的Marble及其他产品，标志着空间智能技术迈入新阶段。

关于World Labs

World Labs是由李飞飞、Justin Johnson、Christoph Lassner与Ben Mildenhall于2024年共同创立，

其定位为空间智能公司，专注于打造前沿世界模型，以让AI能够感知、生成、推理并与3D世界互动。

今年2月份，该公司完成10亿美元新一轮融资，估值约50亿美元。

Atlas的能力

Atlas具备四大核心能力，分别为相机控制生成、空间重建、时空模拟与图像生成。

其中，相机控制生成指的是用户可像导演一样直接指定镜头位置与角度，Atlas便能根据1到6张参考图像，生成最长1分钟、1440p解析度的视频影片，画面不仅与原始图像一致，还能补足照片中看不到的区域。

在空间重建上，Atlas可处理1张到数十张，甚至超过100张的输入图像。输入的照片越多，模型掌握的信息就越完整，重建结果也越接近真实场景；反之，若仅输入2至3张照片，Atlas则会运用其丰富的世界知识，「脑补」出未拍摄到的部分，适合快速生成与概念设计。

第三项能力是时空模拟。Atlas能同时理解空间结构与时间变化。例如传统拍摄「子弹时间」效果需要在场景周围架设数十台专业摄影机同步拍摄，成本极高；Atlas仅需3到5台普通手机从不同角度拍摄同一场景，便能重建出完整的3D空间，让用户自由定格时间、从任意角度重新观看画面。

Atlas亦可根据文字提示生成高品质图片与360°全景图，能处理复杂指令、精准呈现文字，支持多种视觉风格，从写实到插画皆可胜任。

核心设计与架构

Atlas核心架构是「multimodal autoregressive diffusion transformer」——这个术语拆开来看，autoregressive 意味着它像 LLM 一样逐个 token 生成，diffusion 意味着这些 token 通过扩散模型解码为像素。

它被设计为空间脉络（Spatial Context），所有输入的内容，不管是文字、图像、影片或是3D，都会被整合到一个共享的3D空间，每张图像和深度图都被锚定在3D空间中的具体位置。 

Atlas根据此一脉络生成后续内容，在3D空间中与已见信息保持连贯一致，并能推想视野之外的景象。

基准测试数据

官方给出自己的 benchmark 数字很让人兴奋。

在人类评分偏好测试中，Atlas 对主流模型全面领先：Flux 3 93% 的人选 Atlas，Seedance 2.5 是 94%，Gemini Omni Flash 是 81%。3D 重建的绝对相对误差 8.6，低于 Pi3X（11.1）和 VGGT-Ω 1B（9.7）。

第三方人类评审盲测显示，Atlas于相机控制生成任务上对各主流模型的胜率均超过七成五，最高达94%。在3D重建任务上，Atlas于多个标准基准测试中的平均误差仅8.6×10⁻³，优于多款专门为3D重建训练的开源模型，展现出通用模型的强大实力。

结语

World Labs 联合创始人 Justin Johnson 对这款「世界模型」做了一番解释。他将此类系统分成三级：渲染器、模拟器、规划器。Atlas 目前「介于渲染器和模拟器之间」——能够生成高质量 3D 视图，但还不能模拟物理交互。

这个定位很坦诚，和那些经常说「AGI 已经来了」公司的叙事风格完全不同。

World Labs的首款商用产品Marble于2025年11月推出。最新的Atlas 目前还没有全面开放，只向少数合作伙伴提供 Early Access。

作者：场长