9 月 1 日到 2 日李飞飞联合创办的 World Labs 正式发布新一代世界模型 Atlas国内外多家科技媒体跟进报道。按官方说法Atlas 是一个omni model全模态模型从零开始预训练原生处理文本、图像、视频和 3D 四种数据用同一个模型完成生成、重建、模拟三件事——给它几张普通照片它能重建出真实场景生成带精确镜头控制的视频甚至直接输出点云、3D Gaussian Splatting 这类真正的 3D 数据。Atlas 到底能干什么综合官方博客和媒体报道the-decoder、36 氪、IT之家等核心能力可以拆成四块相机可控生成输入一张或多张图片加上一条相机运动轨迹作为几何输入不是文字描述生成对应视角的画面最长 1 分钟、1440p。官方的说法是用户可以控制每一个镜头而不是拉老虎机式地碰运气。空间重建用 1 张到几十张普通照片重建真实场景不需要专门的采集设备。官方称两三张照片就能得到可用结果输入越多模型要脑补的部分越少演示里用斯坦福主广场的 2~25 张地面照片逐步重建还能生成高空俯视视角。原生 3D 输出模型同时处理 RGB 和深度信息可以输出点云、3D Gaussian Splatting 格式能接上它自家 Marble 产品的管线。物理模拟用几台手机、运动相机拍的素材就能做出子弹时间效果机器人方向可以当 real-to-sim 工具用——重建一个房间生成模拟机器人沿规划路径看到的图像和深度数据用来批量生产训练数据。评测方面据公司公布的数据外部人评对比中相机可控生成任务上 Atlas 相对 MiniMax H3 的偏好率为 75%相对 Gemini Omni Flash 为 81%相对 Seedance 2.5 为 94%三维重建的中位误差 25.3低于 Pi3X、VGGT-Ω 1B 等专用模型。这些是厂商自测口径看看就好等独立评测更靠谱。和文生视频比本质区别在哪很多人会把世界模型理解成更高级的视频生成其实两者路线不一样。主流的文生视频模型Sora、可灵、Veo 这类本质是学像素长什么样输出看起来真实的 2D 画面序列模型内部并没有稳定的三维几何——所以镜头大幅转动时物体容易变形、穿帮。李飞飞去年 11 月在一篇文章里就点过这个问题现有多模态语言模型和视频扩散模型把数据拆成一维、二维序列来处理导致最简单的空间任务都很难做。Atlas 的做法是把输入内容锚定到三维空间的具体位置上官方叫spatial context空间上下文。画面里的物体、每个新视角都基于这份空间理解生成相机轨迹作为几何参数直接传入而不是靠自然语言描述镜头缓缓推进。技术上它同时用了两条路线像语言模型一样逐步生成因此能吃 KV Cache 这类加速红利又保留扩散模型的去噪过程来保证画质。变的是这些。没变的也有两点第一世界模型这个概念本身学术界还在争论——2026 年 4 月北大牵头的团队在 OpenWorldLib 框架里提出过统一定义把纯文生视频模型排除在外理由是它们缺少和真实世界的反馈闭环重建、模拟这类能力才被算作核心构件第二现阶段成果仍主要靠人评和 demo 展示而且 Atlas 目前只对合作方开放早期访问early access离普通开发者能用还有距离。谁该关注谁可以先围观对内容行业的影响可能比想象中来得快影视前期预演previs、电商场景化展示、虚拟展厅、游戏资产生产这些实景转虚拟、照片生场景的活都在 Atlas 这类模型的直接射程内。机器人、自动驾驶方向同理——用仿真数据替代部分真实采集已经是明牌路线World Labs 8 月还发布过 real-to-sim-to-real 引擎据称能在五个机器人平台上各运行一小时而无需人工干预。对大多数做后端、做运营的打工人来说短期其实没啥直接关系——API 还没开放不用急着学。但有两点可以提前做技术上认识输出格式点云和 3D Gaussian Splatting 很可能成为视觉模型输出的新接口标准就像当年的 JSON 之于对话模型。做工具链、做平台的现在就可以看看生态。评估时多留个心眼demo 大概率挑好看的上。此前 VGGT 这类重建模型在相机大幅移动时会出现几何不一致、纹理发糊的问题这是全行业的坎。真要选型拿自己业务里多视角、光线杂乱的实拍照片去测比看宣传片靠谱。小结Atlas 的发布算是给世界模型这个讲了两年多的概念交了一份成体系的答卷单模型、四模态从重建到生成到模拟都打通了。但厂商 demo 和工程可用之间还隔着成本、稳定性和评测公允性几道坎。你觉得照片生成可游走的 3D 场景离进入日常工作还有多远评论区聊聊。