李飞飞新模型Atlas发布：AI分身叠衣服，相机控制成核心突破

李飞飞在办公室里叠衣服，动作自然，光影真实——但画面里的她，是数字分身。这段由World Labs新一代世界模型Atlas生成的视频，被她本人转发调侃："我们办公室里确实真的在叠衣服！"

从去年发布的Marble到今天的Atlas，这家由李飞飞创办的公司，把世界模型从"能看"推向了"能懂空间"。官方给出的定义是：世界上第一个能以像素级相机控制生成图像与视频帧、并将其重建为3D的多模态世界模型。翻译成大白话：它不再只是生成画面，而是理解画面里的空间关系，并据此生成新视角。

一个模型，四种模态

Atlas被World Labs称为"全模态模型"（omni model），从零开始预训练，原生处理文本、图像、视频和3D四种数据。它的能力可以拆成四块：

• 相机可控生成：从1到6张参考图出发，按指定机位和角度生成新视角，最高输出1440p、最长1分钟的视频。
• 空间重建：从1到几十张输入图重建真实场景，输出新视角图像帧，也输出点云和3D高斯泼溅等显式3D结果。
• 时空模拟：从输入视频中同时建模空间与时间，用于视频重构图和机器人的Real-to-Sim流程。
• 图像生成：包括文生图和360度全景图。

目前Atlas不开源，仅向少数合作伙伴开放早期访问申请，后续将驱动Marble及World Labs的其他产品。

核心设计：把相机位姿变成"原生输入"

Atlas最核心的设计叫"空间上下文"（spatial context）。它是一个多模态自回归扩散Transformer，输入在三维空间中进行grounded，形成空间上下文，再基于该上下文生成多模态输出。

类比大语言模型：LLM把输入编码成context，再基于context生成后续token。Atlas的流程相同，区别在于——进入context的每一张图像都被锚定在三维空间中的一个具体位置，它带着相机位姿一起进来。

这个改动带来的直接后果是：相机不再靠文字描述。过去让视频模型"向左推轨""升降镜头"，只能把这些电影术语写进提示词里，模型理解到什么程度是个黑箱。Atlas把相机几何做成了原生输入类型。World Labs表示，这能让创作者"坐进导演椅，而不是在拉老虎机的拉杆"。

更有意思的是对上下文的编排。你可以往空间上下文里放两张毫不相关的参考图，并指定它们在三维空间中的相对位置，Atlas会生成一个在两者之间平滑过渡的世界——它自己想象出门廊、走道和转角。博客里给了一个例子：把一张站点图片和一张地面图片拼在一起，模型补出了中间从来不存在的空间。

架构与成绩：两条技术线的混合体

架构上，Atlas是一个多模态自回归扩散Transformer，几个关键词拆开看：

• 多模态：原生处理文本、图像、相机位姿和深度图，视频被表示为图像序列。
• 自回归：输出逐个元素生成，每个任务只是一种不同的序列排列。
• 扩散：采用rectified flow，靠逐步去噪生成结果。
• Transformer骨干：保证对现代硬件的适配。

World Labs强调，这是LLM和视频模型两条技术线的混合体，因此能同时吃到KV缓存、分离式部署这类LLM侧的推理优化，以及扩散蒸馏、CFG、VAE改进这类视频侧的算法进展。

评测给出两块。相机可控生成上，World Labs用单张输入图配1到3段电影化的运镜指令，交由第三方人类评分者盲选。结果是Atlas对MiniMax H3的胜率75%，对Gemini Omni Flash 81%，对阿里HappyHorse 1.1为86%，对FLUX 3为93%，对字节Seedance 2.5为94%，且运镜轨迹越复杂优势越大。

但需要注意，World Labs在博客里自己写明：对比的其他模型不接受相机位姿作为原生输入，运镜只能通过文本提示描述。换句话说，75%到94%这个区间衡量的，很大程度上是"原生相机接口"对"文本描述运镜"的差距，而不是纯粹的画面生成质量差距。因此，World Labs并不是说"Atlas的视频生成能力全面碾压上述模型"。

3D重建部分。在稀疏视角重建任务上，Atlas的平均误差（AbsRel×10⁻³）为25.3，优于Pi3X（posed）的28.7、π³的34.7、VGGT-Ω 1B的36.4、Depth Anything 3的39.3和MapAnything的47.7。World Labs称所有基线结果均由自己复现以保证评测协议一致。