大数跨境
首页
>
刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位
>

刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位

刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位 APPSO
2026-09-02
3
导读：大模型理解文字，李飞飞想让 Atlas 理解空间
前脚友商还在为生成几秒钟的视频激烈竞争，后脚李飞飞创办的 World Labs 便推出了颠覆性产品——全球首个多模态世界模型 Atlas 正式登场。
按照官方定义，Atlas 是一款面向空间智能的全能世界模型（omni world model）。它从零开始预训练，可原生处理文本、图像、视频、相机位姿与 3D 深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟。

相机控制生成：从“玄学”到精确操控

传统视频生成模型往往依赖提示词“抽奖”，难以精准控制运镜。Atlas 则将「相机位姿参数」作为底层原生输入。用户只需提供坐标轨迹，丢入 1 到 6 张普通照片，即可生成长达 1 分钟、分辨率达 1440p 的大片，且画面空间几何一致性极高。
更令人惊叹的是其空间推理能力。输入单张机器人正面照，Atlas 能补全背影；输入泳池边角照，它能基于世界常识修复未拍摄到的草坪和远山。
当然，当镜头进入原图未覆盖区域时，模型仍需依赖先验知识进行推测。视角跨度越大，局部几何漂移或纹理闪烁的风险也随之增加。因此，它生成的更像是一个视觉合理的三维世界，而非原世界的精确数字复刻。

核心机制：空间上下文与多视角合成

Atlas 的核心在于引入「空间上下文」（Spatial Context）概念。不同于大语言模型的文本接龙，Atlas 为每张图片绑定三维坐标和深度，构建带轴网的立体空间。其底层逻辑离不开多视角合成：将不同角度的素材整合至同一三维空间，判断相对位置并补全缺失区域，最终拼凑成连续、可漫游的三维场景。即便输入两张无关照片，Atlas 也能强行脑补出走廊或房间将其无缝连接。

空间重建：低成本构建高精度 3D 世界

传统的 3D 高斯泼溅或点云扫描需要大量专业设备和照片，而 Atlas 仅需 2 到 25 张游客视角的地面平拍照片，即可还原复杂场景细节。在斯坦福大学 Main Quad 案例中，模型成功还原了草坪、拱廊及教堂外墙，并支持上帝视角的航拍漫游。
在 DTU、ETH3D、ScanNet 等公开数据集的稀疏视角重建误差测试中，Atlas 得分 25.3（分数越低越好），显著优于 Pi3X（28.7）、Depth Anything 3（39.3）及 MapAnything（47.7）。
输出结果可直接对接点云和 3D Gaussian Splatting，无缝接入 World Labs 自家的 Marble 平台进行高帧率即时渲染。此外，Atlas 还支持类似“子弹时间”的视频重构图功能，仅需几台普通相机拍摄的日常视频，即可在虚拟空间中自由切换视角，复刻电影级特效。

终极目标：赋能具身智能与机器人

李飞飞团队研发 Atlas 的终极目标并非争夺影视特效市场，而是解决具身智能领域的核心痛点：虚拟训练场匮乏。传统机器人训练要么实地试错成本高昂，要么依赖人工搭建仿真环境。据估算，完全依靠传统方式收集足够规模的训练数据，成本可能高达 100 万亿美元。
Atlas 提供的 Real to Sim 路线省去了繁琐的人工建模过程。只需录制一段真实场景视频，模型即可生成高精度 3D 物理空间，供机器人在孪生世界中疯狂试错。无论是刚性碰撞还是软体形变，Atlas 均能模拟受力反馈，并实时渲染机载摄像头应见的 RGB 图和深度图，极大降低了数据采集与场景搭建的成本。

技术架构：多模态自回归扩散 Transformer

World Labs 采用了硬核的技术组合：多模态自回归扩散 Transformer。该架构融合了当前两大主流范式的优势：
多模态融合：原生融通文本、二维图像、相机位姿与 3D 深度；
自回归机制：像语言模型预测下一个词一样，在时空序列中逐级预测新的空间状态；
扩散机制：基于 Rectified Flow 逐步去噪，确保连续高维信号的画质与几何精度；
Transformer 底座：利用成熟的矩阵乘法结构，无缝适配现有大规模算力集群。
这套架构使 Atlas 兼具 LLM 的推理优化能力与扩散模型的采样优势。在镜头运动控制的真人盲测中，Atlas 表现卓越：对阵 MiniMax H3 胜率 75%，Gemini Omni Flash 胜率 81%，FLUX 3 胜率 93%，面对 Seedance 2.5 胜率更是高达 94%。
除核心功能外，Atlas 还具备优秀的图像生成能力，支持复杂提示词、文字渲染及多种艺术风格。更有特色的是，它能直接根据文字或图片生成 360°全景图，有效处理空间连续性问题。

Scaling 效应与未来展望

官方博客指出，随着参数量和算力的增加，Atlas 展现出了类似大语言模型的“涌现”能力，验证了暴力 Scaling 依然是提升性能的关键路径。目前，Atlas 已向部分合作伙伴开放早期访问，并将作为底层模型驱动 World Labs 的其他产品。
回顾李飞飞的学术生涯，从 ImageNet 让机器识别像素，到如今通过 World Labs 探索三维空间理解，她始终致力于解决同一个核心问题：机器是否真正理解了背后的三维空间及下一秒的变化？
李飞飞曾形容当下的大语言模型为“黑暗里的文字高手”，虽能谈论现实却缺乏生活经验。Atlas 所代表的空间智能，正是为语言智能补全了关于几何、物理、时间和行动的世界经验。如果说 LLM 赋予了机器互联网知识，那么世界模型将颁发给机器从数字世界走向现实世界的入场券。
【声明】内容源于网络
0
0
APPSO
AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al
内容 15704
粉丝 0
APPSO AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al
总阅读402.4k
粉丝0
内容15.7k