李飞飞团队发布全球首个多模态世界模型Atlas：一张图补全3D世界，为机器人造训练场

李飞飞创立的World Labs发布了新一代世界模型Atlas，并将其称为“全球首个”多模态世界模型。据量子位报道，这一次不只是生成一段可互动的视频，而是“建模世界，移动相机，模拟空间和时间”——以像素级的相机控制生成图像和视频帧，并完成3D重建，同时理解空间与时间。李飞飞本人将这一成果视为World Labs的“里程碑式”突破。

具体能力上，Atlas仅凭一张图片即可生成具有像素级相机控制的图片和视频，最高可输出1分钟、1440p的视频；它还能基于一张到数十张输入图像重建真实世界场景，既生成新视角下的图像帧，也能输出显式3D表示，效果超过当前专门针对3D重建训练的最先进模型。此外，Atlas可以根据文本生成图片和360°全景图，能够遵循复杂提示、准确渲染文字并生成多种视觉风格。

对机器人领域而言，Atlas的时空模拟能力尤为关键：它可以根据输入视频同时建模空间和时间，转换已有视频中的观察视角，并支持机器人Real-to-Sim工作流。只需给Atlas几张照片，它就能生成逼真的RGB和深度数据，让机器人在更多不同的模拟空间中进行训练和测试。

技术层面，Atlas是一个“全能模型”，采用全新设计的多模态自回归扩散Transformer架构。文本、图像、视频、3D数据等各种输入都会被锚定在三维空间中形成空间上下文，模型再据此生成多模态输出；作为Rectified Flow扩散模型，它还可以通过调整去噪步骤数量来平衡生成速度与质量。

研究团队在相机控制生成和3D重建两个关键任务上进行了定量评估：Atlas在相机控制生成上优于SOTA视频模型，且相机轨迹越复杂优势越大；在稀疏输入视角的3D重建任务上，它也超过了表现最好的专业开源3D重建模型。团队表示，Atlas从设计之初就为Scaling做好准备，已有证据表明其能力会随规模扩大而继续提高。

Atlas的发布把李飞飞今年关于世界模型的布局串了起来：6月她将世界模型分类为渲染器、模拟器、规划器，并强调“模拟器最关键”；7月World Labs收购机器人仿真公司SceniX，随后公开Real-to-Sim-to-Real系统，指认机器人训练数据缺乏是最大瓶颈。如今Atlas打通了从真实照片、视频到3D空间、再到机器人传感器视图的完整路径。英伟达机器人主管Jim Fan也公开评价，这是机器人领域Real-to-Sim的一大步。

目前Atlas正面向部分合作伙伴开放早期访问，也可以在官网申请访问权限。World Labs官方表示，Atlas将成为未来版Marble以及World Labs其他产品的底层模型——这或许意味着，一个能“模拟空间和时间”的通用世界模型底座正在成型。