Atlas：World Labs推出的面向空间智能的多模态世界模型

一、Atlas是什么

Atlas是World Labs从零完整预训练的多模态世界模型，核心定位是空间智能底座，原生兼容文本、图像、视频、相机位姿、3D深度多类输入数据，在同一个模型内完成视频生成、3D场景重建、时空仿真、图像生成四类任务，把视觉内容统一映射到三维空间上下文，可推理相机未拍摄到的场景区域，输出图像、视频、点云、高斯溅射3D数据，是World Labs旗下Marble产品的底层基础模型。

和普通视频生成模型不同，Atlas不是在现有图像视频模型上微调改造，训练阶段就把空间几何关系纳入模型底层逻辑，不只是生成好看画面，而是理解整个三维世界结构。

二、功能特色

1. 相机可控生成
   支持1‑6张参考图片输入，接收像素级相机位姿、运动轨迹参数，自定义镜头移动、旋转、拉升路径；最高输出1440p、最长1分钟连续视频；模型自动补全原图没有拍到的场景，全程保持物体几何一致性，规避普通AI视频常见的镜头崩坏、物体畸变问题。

2. 空间重建
   少量图片即可完成真实场景三维重建，2‑3张图片就可以产出高质量结果，输入图片越多，虚构生成占比越低，还原真实度越高。支持输出新视角画面，原生输出点云、3D高斯溅射（Gaussian Splatting）格式数据，可直接对接游戏、影视后期、三维设计工作流，重建效果优于很多专门做3D重建的开源模型。

3. 时空仿真
   普通手机拍摄的多机位素材，即可实现子弹时间效果，自由切换镜头视角；支持真实环境转机器人仿真（Real‑to‑Sim），用手机拍摄的普通视频扫描现实环境，重建三维空间，模拟机器人运动，输出RGB、深度传感器仿真数据，用于机器人导航、物体交互任务训练，支持刚体、铰接物体、可变形物体模拟仿真。

4. 图像与全景生成
   支持文本提示词生成图片、360°全景图，支持复杂提示词、渲染文字、多种视觉艺术风格，作为附属能力配套使用。

三、技术细节

Atlas采用多模态自回归扩散Transformer架构，融合大语言模型与扩散视频模型两套技术路线的优势。

1. 多模态输入层：原生接收文本、图像、深度图、相机位姿；视频被拆解为图像序列，相机坐标是模型原生输入，不是靠文本提示间接描述镜头。

2. 自回归序列生成：把各类任务统一转化序列输出，复用LLM成熟的KV缓存、分布式推理优化方案。

3. 整流流（Rectified Flow）扩散模块：依靠逐步去噪产出高画质视觉输出，可以灵活权衡推理速度和画面质量，兼容扩散蒸馏、VAE优化等成熟技术。

4. Transformer骨干网络：适配现代GPU硬件，所有输入统一映射到共享的空间上下文，以此保证不同视角、不同帧之间三维空间逻辑统一，能够脑补相机视野之外的场景内容。

5. 缩放特性：模型性能跟随训练算力提升持续增强，具备规模扩展效应。

四、应用场景

• 影视VFX后期：少量实拍照片，自定义镜头轨迹生成长镜头素材，子弹时间特效，降低实拍机位成本，输出可二次编辑的3D场景数据。

• 游戏与元宇宙内容生产：照片快速重建真实环境，导出高斯溅射三维资产，快速搭建游戏场景。

• 机器人仿真训练：现实环境扫描转为仿真环境，大批量生成机器人导航、抓取交互的训练数据集，降低实体机器人测试成本。

• 三维设计、建筑可视化：实景照片生成多角度漫游视频，快速输出建筑、室内空间新视角预览。

• 数字内容创作：单张图片扩展场景，生成全景素材，AI视频创作，实现精确可控运镜。

五、使用方法

当前Atlas并未向普通用户开放公开网页端，仅面向选定合作伙伴开放早期访问权限。

1. 企业/机构申请早期访问：访问官方博客页面，提交合作申请，获取模型接入权限。

2. 输入素材：上传1‑多张图片/普通手机视频；提供相机位姿参数，定义镜头运动轨迹。

3. 选择任务类型：相机可控视频生成、3D空间重建、时空仿真、图像全景生成。

4. 获取输出：可得到图片、1440p视频、点云、3D高斯溅射场景文件。

5. 下游对接：输出的3D数据可直接导入Marble平台以及第三方三维引擎开展二次加工。

普通用户可以体验Marble产品，Marble是基于Atlas底层技术封装的面向大众的3D世界生成工具。

六、竞品对比

选取MiniMax H3、Gemini Omni Flash两款主流多模态视频模型做横向对比：

备注：MiniMax H3、Gemini Omni Flash无法直接输入相机坐标，镜头运动全部依靠自然语言提示词描述，复杂镜头下可控能力弱于Atlas。

七、常见问题解答

Atlas可以普通个人直接在线试用吗？

目前Atlas底层模型仅对合作企业开放早期访问，普通用户没有直接调用入口；普通用户可以使用衍生产品Marble体验同源空间生成能力。

Atlas必须很多张照片才能重建场景吗？

不需要，最少单张图片就可以做重建，图片数量越少，AI脑补生成内容占比越高；2‑3张图片即可获得高质量重建效果，图片越多还原真实场景精度越高。

Atlas输出的高斯溅射文件可以导入Unity、Unreal吗？

可以，输出的Gaussian Splatting数据格式兼容主流三维引擎，能够直接用于游戏、仿真项目。

Atlas和Marble是什么关系？

Atlas是底层基础世界模型，Marble是面向用户的上层产品，Marble调用Atlas的能力完成3D世界生成。

Atlas生成视频是否支持无限时长？

不支持，官方上限最长为1分钟1440p视频。

Atlas是否开源？

现阶段没有开源计划，仅提供合作伙伴早期API访问。

八、相关链接

• 官方介绍博客：https://www.worldlabs.ai/blog/atlas

九、总结

Atlas作为World Labs推出的空间智能世界模型，依靠自回归扩散Transformer架构，原生支持相机位姿与三维数据输入，把视频生成、稀疏视图3D重建、时空仿真整合进一套基础模型，在镜头可控生成、真实场景三维还原上相比传统视频模型具备明显优势，覆盖影视特效、游戏资产制作、机器人仿真等多个行业，虽然目前仅面向合作伙伴开放，但是为空间AI内容生产提供了全新的技术底座。