World Labs 发布 Atlas：一个能原生理解 3D 空间的世界模型

Atlas: A World Model for Spatial Intelligence

Atlas 是一个从零预训练的多模态自回归扩散 Transformer，把文字、图片、视频和 3D 信息塞进同一个空间上下文里处理。它能拿一两张参考图拼出一个连贯的 3D 场景，并且支持像素级精准的镜头控制，最长能生成 1 分钟的 1440p 视频。在只有 2 到 3 张图的稀疏视角 3D 重建任务上，Atlas 直接超过了那些专门训练的重建模型；给的...

推荐理由：World Labs 放出了 Atlas，一个从零预训练的多模态世界模型，把文字、图片、视频和 3D 统一到一个空间上下文里。最硬核的指标是稀疏视角 3D 重建：只用 2 到 3 张图就干掉了专门训练的重建模型，这个结论可验证，不是空话。没给 95 分是因为目前只是一篇博客，正文没披露训练数据规模、算力消耗和实际延迟，我会先打个折。另外，它能生成最长 1 分钟的 1440p 视频，但视频质量和一致性没有第三方评测，这点先别太激动。整体来看，对做 3D 和具身智能的人是个强信号，但离落地还有信息缺口。