World Labs 推出 Atlas 世界模型：單圖生成 1440p 影片與 3D 場景

用普通 AI 生成影片，體驗往往像在拉老虎機：提示詞敲得再長，鏡頭一轉，原本在左邊的桌子可能就憑空消失了。

由李飛飛創立的初創公司 World Labs，決定從底層換一種解法。2026 年 9 月 1 日，World Labs 正式推出了面向空間智慧的次世代通用世界模型 Atlas。

這個模型從零開始預訓練，把文本、影像、影片和 3D 資料全都塞進一個統一的「空間上下文」裡。它不再把畫面當作孤立的二維畫素塊，而是讓 AI 真正理解三維空間該長什麼樣。

畫素級運鏡，把導演權還給你

Atlas 最直觀的能力是鏡頭控制。以往你只能用文字告訴模型「鏡頭向左推」，結果全憑運氣；Atlas 則把相機的精確幾何位姿直接當作輸入引數。

使用者可以直接手繪一條運鏡軌跡。輸入一張或幾張參考圖，Atlas 就能沿著設定的路徑生成新視角，甚至直接生成最長 1 分鐘、解析度達到 1440p 的長影片。

在演示中，輸入一張單側視角的機器人圖片，模型能根據常識腦補出機器人的背面，還能合理猜出泳池旁邊應該連著一片草坪。鏡頭無論怎麼移動、甚至定格暫停，場景結構都不會變形崩塌。

更妙的是空間上下文拼接。你可以把兩張毫無關聯的圖片放在三維空間的不同座標上，Atlas 能自動在它們之間腦補出連通的走廊、門廳或拐角，平滑過渡成一個完整的世界。

扔掉專業掃描器，幾張手機照片變成 3D

除了憑空生成，Atlas 還是個強悍的三維重建工具。傳統三維重建需要幾百張密集拍攝的照片或者雷射雷達，而 Atlas 只需要幾張隨意拍的照片。

輸入兩到三張普通照片，它就能生成極其忠實的新視角。看一眼斯坦福主方庭的幾張地面抓拍，它就能生成在半空中盤旋俯瞰的高空航線；給兩三張小木屋的照片，它能把整棟房子和院子立體重建出來。

對於需要實操的場景，Atlas 不止能吐出二維畫面，還能直接輸出顯式 3D 結果，包括點雲以及 3D 高斯潑濺（3D Gaussian Splats）。重建後的潑濺場景可以直接在本地裝置上高幀率即時渲染。

團隊用普通手機配合三腳架，只抓取三到五臺手機的視角，就能讓 Atlas 做出《駭客帝國》式的子彈時間定格特效。在機器人領域，研究人員用一段隨手拍的手機影片提取 24 幀，就能建好整個大型空間，並模擬不同機器人的機載攝像頭感測器資料，用來低成本生成 Real-to-Sim 訓練資料。

技術架構上，Atlas 採用了多模態自迴歸擴散 Transformer（multimodal autoregressive diffusion transformer）。它像大語言模型一樣自迴歸處理序列，同時用擴散模型逐步去噪生成連續資料，並且在訓練算力增加時表現出明確的擴充套件定律。

目前 Atlas 已經向外界開放早期試用申請，未來這項能力將直接整合到 World Labs 旗下的 Marble 等產品中。

為什麼重要

在很多團隊還在卷文生影片的畫質時，Atlas 把競爭拉到了另一個維度：它要解決的不是「畫面像不像」，而是「物理空間成不成立」。

對創作者和 VFX 團隊來說，畫素級相機控制意味著影片生成終於從抽卡變成了確定性的運鏡設計。你不再需要祈禱模型別把背景跑偏，而是能像真正拍電影一樣排程機位，這會讓 AI 生成影片真正進入專業製作管線。

對機器人和遊戲開發者，幾張照片換一個可互動的 3D 高斯潑濺場景，幾乎擊穿了環境數字孿生的成本底線。以往需要昂貴掃描器的工作，現在幾臺手機拍完就能直接送進模擬引擎做導航或操作訓練。

我們認為，Atlas 聰明的地方在於沒有把 3D 生成和影片生成割裂開，而是用統一的空間上下文把兩者捆綁。當然，從演示看，輸入資訊太少時模型依然是在「合理腦補」，在要求絕對嚴謹的工業測量場景下還不能完全替代雷射掃描。但作為通往空間智慧的基座，它給行業指出了一條比單純堆引數更有想像力的路。