李飞飞创立的World Labs于9月发布新一代世界模型Atlas，号称“全球首个多模态世界模型”。该模型仅需一张图片即可生成具有像素级相机控制的视频，最高支持1440p分辨率、时长1分钟，并能完成3D场景重建，同时理解空间与时间。英伟达机器人主管Jim Fan评论称，这是机器人领域Real-to-Sim的一大步。

Atlas的核心能力包括相机控制生成、空间重建、时空模拟和图像生成。在空间重建方面，它能基于一张到数十张输入图像重建真实世界场景，生成新视角图像或显式3D表示，效果超过当前专门针对3D重建训练的最先进模型。在时空模拟上，它能根据输入视频同时建模空间和时间，转换观察视角，并支持机器人Real-to-Sim工作流。图像生成方面，它能根据文本生成图片和360°全景图，遵循复杂提示并准确渲染文字。

对于机器人模拟，仅需几张照片，Atlas就能生成逼真的RGB和深度数据，使机器人能在更多不同的模拟空间中进行训练和测试。这解决了具身智能领域训练数据稀缺、成本高昂的瓶颈。

技术架构上，Atlas采用多模态自回归扩散Transformer。多模态指它能原生处理文本、图像、相机位姿、3D深度图等多种数据类型；自回归指它操作一系列元素组成的序列，每个元素可属于任一模态；扩散模型部分采用Rectified Flow（校正流），通过逐步去噪生成输出，推理时可通过调整去噪步数平衡速度与质量；Transformer则提供稳健的基础架构。

该设计使Atlas既能利用LLM推理加速技术（如KV Cache、缓存感知路由、解耦式服务），又能像现代图像视频生成模型一样采用扩散蒸馏、无分类器引导等算法，并引入更先进的VAE架构。研究团队在相机控制生成和3D重建两个关键任务上进行了定量评估，在稀疏输入视角的3D重建任务中，Atlas超过了表现最好的专业开源3D重建模型。团队表示已有证据表明Atlas的能力会随规模扩大而继续提高。

World Labs官方表示，Atlas将成为未来版Marble及其他产品的底层模型。此前，该公司于7月28日公开Real-to-Sim-to-Real系统，强调机器人最大瓶颈是缺乏廉价、可控、可规模化的训练经验。Atlas的发布，打通了从真实照片/视频到3D空间再到机器人传感器视图和模拟环境的路径，为具身智能的发展提供了关键基础设施。