9月2日，李飞飞创立的World Labs正式发布新一代世界模型Atlas。官方将其定义为“全球首个多模态世界模型”，slogan直接亮出核心能力：建模世界，移动相机，模拟空间和时间。

Atlas不是一个只能生成互动视频的模型。它能以像素级相机控制生成图像和视频帧，并完成3D重建，同时理解空间与时间。李飞飞本人将其置顶，称“Atlas为从视觉特效到机器人的众多应用场景打开了大门”。英伟达机器人主管Jim Fan也来捧场，评价这是机器人领域“Real-to-Sim的一大步”。

具体能力拆成四块。相机控制生成：仅需一张图片，即可生成具有像素级相机控制的图片和视频，最高输出1分钟、1440p。空间重建：基于一张到数十张输入图像，既可生成新视角帧，也能输出显式3D表示，效果超过当前专业3D重建模型。时空模拟：输入视频即可转换观察视角，支持机器人Real-to-Sim工作流。图像生成：根据文本生成图片和360°全景图。

技术底座是一套多模态自回归扩散Transformer。文本、图像、视频、相机位姿、3D深度图等输入都被锚定在三维空间中形成空间上下文，Atlas再据此生成多模态输出。官方博客强调，这套架构融合了大语言模型和视频模型的思想：既能利用KV Cache、缓存感知路由等LLM推理优化，也保留了扩散模型的采样蒸馏和引导算法。

定量评估显示，在相机控制生成任务中，Atlas优于SOTA视频模型，且相机轨迹越复杂优势越大。盲测对比中，Atlas面对MiniMax H3胜率75%，面对Gemini Omni Flash胜率81%，面对FLUX 3胜率93%，面对Seedance 2.5胜率94%。稀疏视角3D重建方面，Atlas在DTU、ETH3D、ScanNet等数据集上取得25.3的误差分数，优于Pi3X的28.7和Depth Anything 3的39.3。

喂给它几张照片，它就能生成逼真的RGB和深度数据，机器人可以在更多不同的模拟空间中训练和测试。按官方说法，从真实照片到3D空间，再到机器人传感器视图和可变化的模拟环境，这条路径已经打通。Atlas未来将成为World Labs旗下Marble等产品的底层模型。