World Labs 推出 Atlas 世界模型：单图生成 1440p 视频与 3D 场景

用普通 AI 生成视频，体验往往像在拉老虎机：提示词敲得再长，镜头一转，原本在左边的桌子可能就凭空消失了。

由李飞飞创立的初创公司 World Labs，决定从底层换一种解法。2026 年 9 月 1 日，World Labs 正式推出了面向空间智能的次世代通用世界模型 Atlas。

这个模型从零开始预训练，把文本、图像、视频和 3D 数据全都塞进一个统一的「空间上下文」里。它不再把画面当作孤立的二维像素块，而是让 AI 真正理解三维空间该长什么样。

像素级运镜，把导演权还给你

Atlas 最直观的能力是镜头控制。以往你只能用文字告诉模型「镜头向左推」，结果全凭运气；Atlas 则把相机的精确几何位姿直接当作输入参数。

用户可以直接手绘一条运镜轨迹。输入一张或几张参考图，Atlas 就能沿着设定的路径生成新视角，甚至直接生成最长 1 分钟、分辨率达到 1440p 的长视频。

在演示中，输入一张单侧视角的机器人图片，模型能根据常识脑补出机器人的背面，还能合理猜出泳池旁边应该连着一片草坪。镜头无论怎么移动、甚至定格暂停，场景结构都不会变形崩塌。

更妙的是空间上下文拼接。你可以把两张毫无关联的图片放在三维空间的不同坐标上，Atlas 能自动在它们之间脑补出连通的走廊、门厅或拐角，平滑过渡成一个完整的世界。

扔掉专业扫描仪，几张手机照片变成 3D

除了凭空生成，Atlas 还是个强悍的三维重建工具。传统三维重建需要几百张密集拍摄的照片或者激光雷达，而 Atlas 只需要几张随意拍的照片。

输入两到三张普通照片，它就能生成极其忠实的新视角。看一眼斯坦福主方庭的几张地面抓拍，它就能生成在半空中盘旋俯瞰的高空航线；给两三张小木屋的照片，它能把整栋房子和院子立体重建出来。

对于需要实操的场景，Atlas 不止能吐出二维画面，还能直接输出显式 3D 结果，包括点云以及 3D 高斯泼溅（3D Gaussian Splats）。重建后的泼溅场景可以直接在本地设备上高帧率实时渲染。

团队用普通手机配合三脚架，只抓取三到五台手机的视角，就能让 Atlas 做出《黑客帝国》式的子弹时间定格特效。在机器人领域，研究人员用一段随手拍的手机视频提取 24 帧，就能建好整个大型空间，并模拟不同机器人的机载摄像头传感器数据，用来低成本生成 Real-to-Sim 训练数据。

技术架构上，Atlas 采用了多模态自回归扩散 Transformer（multimodal autoregressive diffusion transformer）。它像大语言模型一样自回归处理序列，同时用扩散模型逐步去噪生成连续数据，并且在训练算力增加时表现出明确的扩展定律。

目前 Atlas 已经向外界开放早期试用申请，未来这项能力将直接整合到 World Labs 旗下的 Marble 等产品中。

为什么重要

在很多团队还在卷文生视频的画质时，Atlas 把竞争拉到了另一个维度：它要解决的不是「画面像不像」，而是「物理空间成不成立」。

对创作者和 VFX 团队来说，像素级相机控制意味着视频生成终于从抽卡变成了确定性的运镜设计。你不再需要祈祷模型别把背景跑偏，而是能像真正拍电影一样调度机位，这会让 AI 生成视频真正进入专业制作管线。

对机器人和游戏开发者，几张照片换一个可交互的 3D 高斯泼溅场景，几乎击穿了环境数字孪生的成本底线。以往需要昂贵扫描仪的工作，现在几台手机拍完就能直接送进仿真引擎做导航或操作训练。

我们认为，Atlas 聪明的地方在于没有把 3D 生成和视频生成割裂开，而是用统一的空间上下文把两者捆绑。当然，从演示看，输入信息太少时模型依然是在「合理脑补」，在要求绝对严谨的工业测量场景下还不能完全替代激光扫描。但作为通往空间智能的基座，它给行业指出了一条比单纯堆参数更有想象力的路。