按照官方定义，Atlas是一款面向空间智能的omni world model，从零开始完成预训练，可以原生处理文本、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。
一张图，脑补整个世界
以前玩视频生成模型，多少有点玄学抽奖。在Prompt框里卑微敲下“镜头缓慢向左拉升、绕着人物微仰角旋转”，回车之后全凭老天保佑。
Atlas的做法则是：直接把“相机位姿参数”当作底层原生输入。你要什么角度、什么轨迹、走多快？直接给坐标！
只要丢进去1到6张普通照片，定好运镜轨迹，Atlas就能生成最长达1分钟、1440p分辨率的大片。画面不崩，空间几何丝滑一致，堪称外挂级运镜。
几张照片，省掉几百个机位
传统3D高斯泼溅或者点云扫描，得扛着专业设备围着目标转几十圈，拍几百上千张照片，费钱又费腿。
Atlas再次露出神秘的微笑：一边去，哪来这么多规矩。
官方直接甩出斯坦福大学Main Quad的案例——只需2到25张游客视角的地面平拍照片，就能轻松还原草坪、拱廊和纪念教堂的全部细节，镜头随后拔地而起，来了一段上帝视角航拍漫游。
官方数据显示，在DTU、ETH3D、ScanNet等多个稀疏视角重建基准上，Atlas的平均误差比当时领先的专用三维重建模型还低约12%。
能“暂停时间”的世界模型
Atlas的第三张王牌是时空模拟。它可以根据输入视频同时建模空间和时间，转换已有视频的观察视角，制作具有戏剧性的视觉效果。
测试结果显示，Atlas对摄像机指令的遵循度更高，在复杂轨迹下优势更明显。
技术底牌：多模态自回归扩散Transformer
Atlas是一个全能模型（omni model），目标是在统一架构中同时处理多任务、多种输入输出。团队为其设计了全新的基础架构——多模态自回归扩散Transformer。
文本、图像、视频、3D数据……各种输入都会被锚定在三维空间中，形成空间上下文。就像大模型看上文接下文，Atlas给每张图片绑死三维坐标和深度，在脑子里搭出一个带轴网的房间。
机器人训练的“虚拟道场”
对于具身智能和机器人领域，Atlas的价值同样炸裂。仅需喂几张照片，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。
目前部分合作伙伴已获得Atlas抢先体验资格，未来几周将开放早期访问。World Labs官方表示，Atlas将成为未来版Marble以及其他产品的底层模型。
大模型理解了文字，而Atlas——开始理解世界本身。