Atlas是一款由李飞飞创立的 World Labs 于 2026 年 9 月推出的面向空间智能的多模态世界模型，采用多模态自回归扩散 Transformer 架构，把文本、图像、相机位姿与 3D 深度图统一锚定在三维空间形成空间上下文，在同一模型内完成图像与视频生成、3D 场景重建、时空模拟与 360 度全景生成。
| 基础信息 | 内容 |
|---|---|
| 开发团队 | World Labs（李飞飞创立） |
| 发布时间 | 2026 年 9 月 1 日 |
| 产品定位 | 面向空间智能的 omni 多模态世界模型 |
| 模型架构 | 多模态自回归扩散 Transformer（rectified flow） |
| 原生输入 | 文本、图像、相机位姿、3D 深度图（视频以图像序列表示） |
| 视频生成 | 最长 1 分钟、1440p，支持像素级相机控制 |
| 3D 输出 | 点云与 3D Gaussian splats |
| 访问状态 | 早期访问，仅面向部分合作伙伴开放 |
Atlas 的核心能力
与 PixVerse R2 这类主打实时生成的世界模型不同，Atlas 的关键词是”空间”：它不满足于生成一段看起来合理的视频，而是要求每一帧都与三维空间中的位置和相机姿态对得上，这也是它能同时承担生成、重建与模拟三类任务的前提。
多模态、自回归、扩散、Transformer 四者叠加
Atlas 是 omni 模型，从零预训练，原生处理文本、图像、相机位姿与 3D 深度图，视频则被表示为图像序列；每张图像与深度图都绑定显式相机位姿，使空间控制成为架构的中心组件而非附加功能。作为自回归模型，它像大语言模型一样可复用 KV 缓存与分离式服务；作为 rectified flow 扩散模型，又能通过改变去噪步数在速度与质量间权衡。
四项核心能力
- 像素级相机控制生成：以精确相机几何为原生输入，从 1 至 6 张输入图生成最长 1 分钟、1440p 的视频
- 稀疏视角 3D 重建：通常 2 至 25 张照片即可重建场景（也可从单张图生成新视角，并扩展到上百张输入），输出点云与 3D Gaussian splats
- 时空模拟：仅用 3 至 5 个手机视角即可重建场景并任意重新构图，支持机器人导航与操作的 Real-to-Sim 仿真
- 图像与 360 度全景生成：支持从文本或图像生成 360 度等距圆柱投影全景，可渲染文字并覆盖多种视觉风格
把两张不相关的参考图放入空间上下文，Atlas 会生成在两者之间平滑过渡的世界，例如从车站走廊自然衔接到宴会厅，自动补出门道、走廊与角落。这种”在三维空间里插值”的能力，是普通视频模型难以做到的。官方表示 Atlas 将驱动 Marble 及 World Labs 其他产品的未来版本，且训练过程中每提升一级算力都会解锁新能力，扩展路径仍在延续。
Atlas 与 Genie 3、Zing-0.5 等世界模型对比
World Labs 把 Atlas 定位为「空间智能」世界模型，与 Google DeepMind 的 Genie 3、Loopit 的 Zing-0.5 同属可交互世界模型赛道，但技术路线不同：Atlas 把相机几何做成原生输入，并额外具备 3D 场景重建能力。以下对照基于各模型官方公开规格。
| 对比维度 | Atlas | Genie 3 | Zing-0.5 |
| 发布方与时间 | World Labs（2026-09-01） | Google DeepMind（2026-01-29 公开） | Loopit（2026-08） |
| 实时交互 | 是，可导航生成的世界 | 是，720p、可探索数分钟的实时可交互世界 | 是，实时交互视频 |
| 相机与运镜控制 | 原生相机几何输入，像素级控制 | promptable world events（可改天气等条件） | 键盘空间操作与自然语言语义改写联合控制 |
| 3D 场景重建 | 2 至 25 张普通照片即可重建点云与 3D Gaussian（也可从单张图生成新视角，上下文可扩展至上百张） | 不生成 3D | 不生成 3D |
| 输出规格 | 最长 1 分钟、1440p 视频 | 720p 视频 | 实时交互视频 |
| 开放方式 | 早期访问（部分合作伙伴） | Google AI Ultra（美国） | Apache 2.0 开源（代码与权重） |
注：以上规格来自 World Labs 官方博客（2026-09-01）、Google DeepMind Genie 3 官方说明（2026-01-29）与 Zing-0.5 官方开源页（Loopit，2026-08）。Atlas 官方在相机控制生成与 3D 重建两项任务上给出了优于 Sora、Runway 等视频生成模型与 Nerfstudio 等 3D 重建模型的结论，但相关图表未以文本形式公布具体分数，因此本表仅列可公开核实的规格，不引用未公开数值。
从公开规格可以看出，三款世界模型的差异集中在「是否把空间几何做成原生输入」与「是否兼顾 3D 重建」：Genie 3 强在实时可探索，Zing-0.5 强在开源与语义改写，Atlas 则把相机几何与 3D 重建一并纳入，定位更靠近「空间智能」而非单纯视频生成。
作为同赛道产品，Loopit 的 Zing-0.5 以实时交互视频世界模型路线与 Atlas 形成最直接对照。
Atlas 的应用场景与适用人群
Atlas 目前处于早期访问阶段，场景集中在需要”真实空间关系”而非”看起来像”的内容生产与仿真任务上。
- 影视预演与视觉特效：用少量参考图生成带精确运镜的 1 分钟 1440p 镜头，或用 3 至 5 台手机把实拍改造成子弹时间多视角
- 机器人仿真与训练：从手机视频的少量帧重建环境，生成机器人视角的 RGB 与深度数据，覆盖刚体、铰接与可变形物体
- 3D 内容生产与场景搭建：用 2 至 25 张照片重建真实场景并导出 3D Gaussian splats，可直接在设备端高帧率渲染
适用人群：做影视预演与视觉特效的创作者、需要低成本生成机器人训练数据的具身智能团队、从事 3D 场景重建与空间内容生产的工作室，以及研究世界模型与空间智能的高校与实验室。由于尚未开放自助注册，个人开发者短期内难以直接试用。
如何使用 Atlas
申请前的准备
- 准备机构背景与应用场景说明，说明计划将 Atlas 用于哪类生成、重建或模拟任务
- 目前仅面向部分合作伙伴开放早期访问，需通过官方申请入口提交并等待联系
申请与使用步骤
- 提交申请：通过 Atlas 官网 的 World Labs 早期访问表单填写机构信息与使用场景
- 等待邀约：官方表示会与入选的合作伙伴逐一联系，当前不提供自助开通
- 准备输入：按任务准备参考图像与相机路径，2 至 3 张图即可起步，视频任务可准备 1 至 6 张
- 生成与导出：生成视频、新视角图像或 3D 输出（点云 / 3D Gaussian splats），按需要导入后续生产流程
早期访问申请入口、技术细节与最新示例请参考 Atlas 官网。
Atlas 的价格与开源情况
Atlas 为闭源商业模型，World Labs 未开放模型权重，也未公布商业化定价——官方博客仅说明模型正与部分合作伙伴进入早期访问阶段，有意使用的一方需通过官方表单申请，由团队逐一联系。
这意味着当前阶段 Atlas 的获取成本主要体现在合作门槛而非调用费用上：它既没有公开的按量计费标准，也不提供自助注册。对希望提前布局空间智能的团队，更现实的路径是关注其与 Marble 产品线的整合——官方明确 Atlas 将驱动 Marble 及 World Labs 其他产品的未来版本，届时能力可能以产品形态释放，而不必单独申请模型访问。
Atlas 常见问题
Atlas 与普通的视频生成模型有什么本质区别？
Atlas 把图像、深度图与相机位姿统一锚定在三维空间形成空间上下文，相机几何是原生输入而非文本描述，因此能做到像素级相机控制，并输出点云与 3D Gaussian splats 等显式 3D 结果，而不只是生成一段平面视频。
Atlas 做 3D 重建需要多少张照片？
官方称通常 2 至 3 张图像即可给出忠实重建并超越专门为 3D 重建训练的 SOTA 模型，也可扩展到超过一百张输入图以更忠实地重建真实环境，且不需要特殊采集设备。
Atlas 的基准测试成绩具体是多少？
World Labs 官方在相机控制生成与 3D 重建两项任务上给出了优于Sora、Runway 等视频生成模型与 Nerfstudio 等 3D 重建模型的结论，但相关图表未以文本形式公布具体分数，因此目前没有可引用的公开数值。
个人开发者现在能用上 Atlas 吗？
暂时不能。Atlas 目前处于早期访问阶段，仅面向部分合作伙伴开放，需通过官方表单申请并等待联系；官方表示它将驱动 Marble 及 World Labs 其他产品的未来版本。
相关文章
浙公网安备33010202004812号