李飞飞团队发布 Atlas：一个能"生成、重建、模拟任何世界"的全模态世界模型

2026 年 9 月 1 日，李飞飞（Fei-Fei Li）联合创立的 World Labs 发布下一代世界模型 Atlas。官方给它的定位是 "omni world model for spatial intelligence"——一个统一处理文字、图像、相机位姿和 3D 深度图的全模态模型，既能从少数几张照片重建真实空间，也能按你设计的相机路径生成一段完整的、可自由漫游的视频世界。

一、Atlas 解决什么问题

World Labs 说的"世界模型"，定义很直接：生成、重建、模拟任何一个可能的世界。

要干这件事，模型得理解一个世界长什么样、怎么运作、如何随时间演变。落到用途上有三个方向：

• 为创作者渲染想象出来的世界

• 高保真地模拟真实世界

• 帮助机器人规划动作

对应三种输出：生成、重建、仿真。Atlas 把它们放进了同一个模型。

二、能做什么：从相机控制到机器人仿真

相机可控生成（Camera-Controlled Generation）

Atlas 最主打的能力是像素级的相机控制。传统视频模型靠文字描述运镜（"镜头缓慢左移"），Atlas 直接接收相机位姿作为原生输入——每个画面和深度图都绑定一个明确的相机姿态，空间控制被放到了架构中心。

官方这样形容这个体验：

你是在调度场景，不是在拉老虎机的拉杆。（"you are staging the scene, not pulling the lever of a slot machine"）

空间上下文：可以边生成边补图

Atlas 用空间上下文（Spatial Context）组织输入。给一张花园照片，它只还原花园，旁边的小屋和主宅靠"脑补"；再补一张小屋实拍，输出里小屋准了，主宅还是想象；补上第三张主宅照片，整片场景才对上。

官方拿斯坦福主校区（Main Quad）举例：从草坪入口开始，一块一块补，最后到纪念教堂立面上一片彩色马赛克。这里只给了 2 到 25 张地面视角照片，Atlas 却能生成从校舍上空飞过的鸟瞰视角路径。

长视频与多路径重建

• 可控长视频：官方演示用少量参考图，手工设计相机路径，生成了一段 1440p 分辨率、时长 1 分钟的连贯世界视频。

• 多路径重建（Diverse Paths）：同一组输入图，Atlas 能生成许多不同的相机轨迹，从不同角度重看同一场景；速度、长度、复杂度都可以变，场景始终保持一致。

空间重建：不需要专业设备

Atlas 能从一张或多张普通照片重建真实空间，不需要专门采集设备，也不需要几百张密集视角。官方把它看作稀疏视图新视角合成（novel view synthesis from sparse views）问题上的一步实打实的进展。

3D 输出、时空模拟与视频重取景

• 显式 3D 输出（Explicit 3D Outputs）：直接产出深度等 3D 信息，而不只是平面图像。

• 时空模拟（Space-Time Simulation）：用几台手机从不同角度拍摄，重建可任意重取景的时空场景。

• 视频重取景（Reframing Video）：对已有视频做空间层面的重新构图。

机器人仿真与图像生成

世界模型对机器人的价值：在高保真模拟环境里训练和评估策略，比在真实世界反复试错便宜得多。同月 World Labs 还发了"真实→仿真→真实"（Real-to-sim-to-real, R2S2R）的机器人训练方案。

另外 Atlas 也能做纯图像生成——它是一个称职的图像生成器，能跟随复杂提示词、渲染文字，并生成各种视觉风格。它还能由文本或图像提示直接生成 360° 全景图（等距柱状投影，equirectangular）：

提示词："on the beach in san francisco near the golden gate bridge at sunset, rough chalk drawing with think chunky strokes"

三、技术细节：一个"混血"架构

Atlas 的基座架构既没照搬 LLM，也没照搬视频模型，而是自己设计的一套多模态自回归扩散 Transformer（multimodal autoregressive diffusion transformer）。它的输入被锚定在 3D 空间里，形成"空间上下文"；输出则在这个上下文条件下多模态生成。

四个关键词拆开看：

有意思的是，Atlas 同时吃两边的红利：

• 像 LLM：作为自回归 Transformer，可以用 KV 缓存（KV-caching）、缓存感知路由、分离式服务（disaggregated serving） 等推理优化。

• 像现代图像/视频模型：作为潜在扩散模型（latent diffusion），可以用 扩散蒸馏、无分类器引导（classifier-free guidance）、移位噪声调度、VAE 设计 等算法。

四、跑分：通用模型打赢专用模型

Atlas 是全能选手，官方也承认没有任何单一基准能完整衡量它的通用性，所以挑了两个关键任务做定量评测：相机条件生成和 3D 重建。测试结果：两项都超过了对应的专用模型。

相机条件生成

每个测试给一个输入图 + 一到三种电影运镜（平移 pan、横移 truck、升降 crane 等）。Atlas 用原生相机格式编码路径；其他模型不接受相机原生输入，只能用文字描述运镜（标准电影术语，这已是最常见的输入形式）。

由第三方人类评审盲选哪个模型更贴合指定相机路径。结果（选择 Atlas 的投票占比）：

相机轨迹越复杂，Atlas 的优势越明显。

3D 重建：稀疏视图

给定一组图 + 相机位姿，预测每个输入像素对应的 3D 点。Atlas 作为通用模型，在多个基准上超过了最好的开源专用重建模型。下面是重建误差越低越好（AbsRel ×10⁻³）：

五、模型扩展性

现代 AI 的进步大多来自扩展（scaling）。World Labs 从零在大规模多模态数据上预训练 Atlas，开发期间训练了一系列规模与算力递增的模型，每一次算力提升都解锁了新能力。官方表示，未来的世界模型会沿这条曲线继续往上走。

六、怎么用：早期访问

• Atlas 目前处于早期访问（early access）阶段，仅面向精选合作伙伴开放。

• 想接入的话，可以在官方页面申请早期访问权限，团队会联系你。

• World Labs 同时在招聘研究与工程岗，推进空间智能。

官方入口一览（均可在浏览器直接打开）：

引用信息（BibTeX）：

@article{worldlabs2026atlas,
    author = {World Labs Team},
    title = {Atlas: A World Model for Spatial Intelligence},
    journal = {World Labs Blog},
    year = {2026},
    note = {https://www.worldlabs.ai/blog/atlas},
}

延伸阅读（World Labs 官方相关文章）：

• 《The Next Frontier of AI Is Spatial Intelligence》——a16z 的 Martin Casado 与李飞飞、Yunzhu Li 对谈：聊 SceniX 收购、模拟如何解锁下一代机器人，以及为什么训练机器人和训练大语言模型是两回事。

• 《Building Worlds That Train Robots》——真实→仿真→真实（R2S2R）作为可扩展的机器人策略训练与评估引擎。

七、几点值得注意

1. "世界模型"不等于"视频生成"换个说法。Atlas 把相机位姿当原生输入，输出的是一致的三维空间，不是一段看着对、空间却前后打架的像素流。

2. 通用模型打赢了专用模型。3D 重建和相机控制两条线上，Atlas 都压过了专门做这件事的模型。这跟"全能等于样样稀松"的直觉反着来。

3. 李飞飞的空间智能路线在拼图。从早年 ImageNet 到 World Labs，把"让 AI 理解三维世界"一点点做成能落地的模型和产品线：Atlas + Marble + Spark + R2S2R。

4. 别只看演示。视频里一分钟 1440p 的连贯漫游确实好看，但官方也说明页面上其他视频为性能做过压缩；真实可用性要等早期访问开放后才能验证。

素材授权与来源

• 原文来源：World Labs 官方博客《Atlas: A World Model for Spatial Intelligence》

• 发布页：https://www.worldlabs.ai/blog/atlas

• 发布时间：2026 年 9 月 1 日

• 作者：World Labs Team

• 图片：均下载自 World Labs 官方网站（wlt-ai-cdn.art CDN）用于本文介绍与展示，版权归 World Labs 所有。本文为转载介绍性质，不主张对原图的所有权。

• 免责：本文技术细节与数据均引自官方发布内容；解读部分为编者补充，若有出入以官方原文为准。