Atlas | 把”相机位姿”写进模型输入层的多模态世界模型（2026–至今）

一个把相机参数当成原生输入类型、而不是事后提示词的世界模型：它把文本、图像、深度与相机位姿压进同一个”空间上下文”，在同一套自回归扩散 Transformer 里既生成新视角画面、又直接吐出能渲染的 3D 高斯点云——生成、重建、模拟这三件原本各归各家的事，第一次被塞进一个模型里。

⚠️ 关于宣传口径的辨析（准确性提示）： 本条目涉及若干被广泛传播的营销表述，先看清楚再说结论—— ①”全球首个多模态世界模型”：这一说法出自 World Labs 的对外 / 社交平台口径（多家媒体据此转述），World Labs 官方技术博客并未使用该词，其原文表述是 “next-generation world model” 与 “omni model”。这是厂商自我定位，没有任何第三方机构或同行评议认证，本站按”厂商自述”记录，不作为事实结论。 ②”AI 教母”：媒体对李飞飞（Fei-Fei Li）的昵称，既非职务也非奖项，本站正文不使用该称呼。 ③”相机控制胜率 94%”：部分自媒体转述的数字，本站未能在官方博客原文中找到对应数值——官方仅公布了两张相对对比图（第三方人工评审偏好率），未标注具体分数，故本条目不采用该数字。 ④官方 benchmark 为厂商自测，且对比条件对 Atlas 有利：官方明确说明，参与对比的视频模型不接受相机作为原生输入，只能用文本描述运镜；官方自己也承认”更精细的提示词工程可能改善其他模型的相机跟随”。这一自述很诚实，但也意味着该对比不等同于公平条件下的第三方评测。 ⑤开放状态：Atlas 处于 Early Access，仅向”部分合作伙伴”开放、需申请排队，尚未公开可用。截至本条目撰写日（2026-09-05），没有任何公开署名的院线长片、剧集或商业项目使用 Atlas。

Atlas 是 World Labs 于 2026 年 9 月 1 日发布的”omni（通吃型）世界模型”。它的技术主张可以浓缩成一句话：把相机几何做成一门”母语”——不是先生成画面再猜相机，也不是先用 SfM 解算出位姿再喂给重建管线，而是让相机位姿与文本、图像、深度图一起成为模型的原生输入类型，每一张图和每一张深度图都绑定一个显式相机位姿。在这个前提下，同一个模型既能”给你一段按指定机位飞行的 1440p 视频”，也能”把这几张照片变成可渲染的 3D 高斯场景”，还能”把一段多机位素材重新取景成子弹时间”。

在 Anianima 的资料库里，本条目归入世界模型 / 空间智能这一类：它不是 DCC 插件，不坐进任何既有管线，而是试图一次性吃掉三件原本分属不同环节的事——生成（此前由视频生成模型承担）、重建（此前由摄影测量 / SfM / 辐射场方法承担）、模拟（此前由物理仿真器承担）。它进得了动画技术史，靠的不是”又一个 AI 视频模型”，而是它把 3D Gaussian Splatting 这种 2023 年才出现的新表示，正式推成了生成模型的输出格式。

基础信息（Metadata）

• 软件名称：Atlas（World Labs Atlas）
• 首次发布：2026 年 9 月 1 日（官方博客《Atlas: A World Model for Spatial Intelligence》发布，同日开放 Early Access 申请）
• 主要开发者 / 机构：World Labs（由 李飞飞 Fei-Fei Li 与 Justin Johnson、Ben Mildenhall、Christoph Lassner 共同创立）
• 软件类别：世界模型 / 空间智能（按本站分类体系归入资产制作为主——3D 世界生成与重建；创作与设计、实时交互与引擎为次）
• 运行平台：云端（模型推理在云端；输出的 3D 高斯场景可”在设备端以高分辨率与高帧率渲染”——官方表述，未给出具体数值）
• 授权模式：商业闭源；Early Access 申请制，仅面向部分合作伙伴，尚未公开定价、无公开可用版本
• 官方网站：🚀 https://www.worldlabs.ai/blog/atlas ｜ 产品页：https://marble.worldlabs.ai
• 当前状态：⚠️ Early Access（2026-09-01 起），官方称”Atlas 将驱动未来版本的 Marble”——即它本身还不是 Marble 的现役底座

软件诞生的历史背景（Historical Context & Development）

Atlas 不是一次孤立发布，而是 World Labs 两年技术路线的第三级台阶。要看懂它，得先看清这家公司是谁、以及它前面两步踩在哪。

World Labs 由李飞飞（Fei-Fei Li，斯坦福大学计算机科学教授、ImageNet** 创建者）于 2024 年与 Justin Johnson、Ben Mildenhall、Christoph Lassner 共同创立**（具体成立月份官方未公布，《金融时报》报道为 2024 年 4 月）。官方 About 页把四人的背景概括为”机器学习、生成式 AI、计算机视觉与图形学领域的领军者”——其中 Ben Mildenhall 是 NeRF 的共同作者，这几乎是整条技术路线的基因说明：World Labs 从第一天起就站在”用神经网络表示三维场景”这一脉上，而不是从语言模型半路拐进 3D。

2024 年 9 月，公司走出隐身模式：据《金融时报》报道以约 2.3 亿美元融资、约 10 亿美元估值亮相（金额与估值 World Labs 官方博客未复述，本站按媒体报道记录）；同期官方发布视频《A New Frontier》。2024 年 12 月 2 日，官方博客《Generating Worlds》展示了”可在浏览器里探索的、持久的 3D 世界”——这是他们最早的产品形态宣言。

2025 年是产品化的一年。 9 月 16 日《Generating Bigger and Better Worlds》扩大场景规模；10 月 16 日发布研究预览 RTFM（A Real-Time Frame Model，实时帧模型）——一个”边交互边实时生成视频”的生成式世界模型；11 月 10 日，李飞飞发表长文《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》，把”空间智能”立为公司的理论旗帜；11 月 12 日，首款商用产品 Marble 正式向所有人开放（官方原文：”available to everyone starting today”），用户可从图像、视频、文本生成空间一致、高保真、可持久的 3D 世界。

2026 年是铺管线的一年。 1 月 21 日发布 World API（把 Marble 的世界建模能力开放给外部应用）；2 月 18 日宣布新一轮 10 亿美元融资，投资方包括 AMD、Autodesk、Emerson Collective、Fidelity、NVIDIA、Sea 等——值得记一笔的是 Autodesk 与 NVIDIA 这两家动画 / 图形工业的既得利益者同时入局，信号意义大于金额本身；3 月《3D as code》、4 月 Spark 2.0（3D 高斯的网页流式 LOD 系统）、6 月《A Functional Taxonomy of World Models》（提出渲染器 / 模拟器 / 规划器的世界模型分类法）、7 月 21 日收购 SceniX（机器人仿真）、7 月 28 日《Building Worlds That Train Robots》。

2026 年 9 月 1 日，Atlas 发布。 官方把它定位为”下一代世界模型”，并明确它将驱动未来版本的 Marble 与其他产品。

核心功能与技术特征（Core Features & Technical Character）

Atlas 的自我定义是一个从零预训练的 omni model（通吃模型）：在单一统一架构里处理多种任务、多种输入输出，且”把空间控制放在模型的正中心”。它的架构全称是 multimodal autoregressive diffusion transformer（多模态自回归扩散 Transformer）——四个词各司其职：多模态决定它能吃什么，自回归决定它怎么组织序列，扩散决定它怎么生成，Transformer 决定它靠什么算。

📅 本部分基于官方博客《Atlas: A World Model for Spatial Intelligence》（2026-09-01）撰写。

技术要点：

• 相机位姿是原生输入类型（最核心的差异点）： 官方原话是 Atlas “uses precise camera geometry as a native input type”——每一张图像与每一张深度图都绑定一个显式相机位姿。这不是”用提示词写’镜头向左平移'”，而是把几何量直接喂进模型。所有输入被放进一个共享的空间上下文（spatial context），模型基于这个上下文生成”下一部分”，并与此前见过的一切保持 3D 一致。
• 自回归 + 扩散的混合：把 LLM 与视频模型两边的家底一起吃了。 官方明确说这是”现代 LLM 与视频模型思想的混合”：因为它是自回归 Transformer，所以能直接吃 LLM 的服务与加速成果（KV-cache、cache-aware routing、disaggregated serving 等）；因为它是潜空间扩散（rectified flow）模型，所以能吃扩散蒸馏、classifier-free guidance、shifted noise schedule、VAE 设计等图像 / 视频模型的算法红利。它还能像扩散模型那样，用去噪步数灵活换速度与质量。
• 能力一 · 相机控制生成（Camera-Controlled Generation）： 从一张或多张图像出发，以”像素级精确的相机控制”生成图像与视频，最长 1 分钟、最高 1440p（官方示例为 1–6 张输入图 + 手工设计的相机路径）。可指定任意机位与角度生成新视图，并自主”想象”输入中看不到的部分。
• 能力二 · 空间重建（Spatial Reconstruction）： 从一张到数十张输入图重建真实场景，同时输出新视角图像帧与显式 3D 结果——点云（point clouds）与 3D 高斯 splats。官方称两三张图即可忠实重建，空间上下文可容纳上百张输入图（博客示例：某场景用 30 张输入图重建，斯坦福主 quadrangle 用 2–25 张地面照片）。Atlas 会先补完点云、再转换成完整的高斯场景——这与 Marble 使用的是同一套表示。
• 能力三 · 时空模拟（Space-Time Simulation）： 从输入视频建模空间与时间。一方面是 Reframing：官方称”少至三台普通手机”拍的素材即可重建场景并任意重新取景——原话是这等于”把几台普通相机变成一套子弹时间多机位棚”；另一方面是机器人 Real-to-Sim：用手机视频（示例为两个大型环境各 24 帧）重建场景，并随模拟机器人在空间中移动，一并生成其机身相机会看到的 RGB 与深度数据。
• 能力四 · 图像生成（Image Generation）： 从文本生成图像与 360° 全景，能跟随复杂提示词、渲染文字、覆盖多种视觉风格。官方坦承”图像生成不是它的主要焦点”——原话是”The primary focus of Atlas is world modeling, and every image is a window to a possible world“（每一张图像都是通往一个可能世界的窗口）。
• 可预测的 Scaling： 官方称在研发过程中训练了一系列规模与算力递增的模型，”每上一个算力台阶就解锁新能力”，并给出”性能随训练算力持续提升”的判断——这是愿景与趋势外推，不是已兑现的保证。
• 输出即资产：3D 高斯 splats。 官方解释得很实在：点云只能估计几何，”而 3D 高斯 splats 才让它可用”——Atlas 补完剩余空缺、把点云转成完整 splat 场景，可在设备端高分辨率高帧率渲染。这一步是它能接进创作管线的真正接口。

代表性应用案例（Representative Uses）

⚠️ 必须先说清楚：Atlas 目前没有任何公开的署名商业案例。 它处于 Early Access，仅向部分合作伙伴开放。以下为官方博客展示的能力场景，不是已落地的生产案例；本站不做”某部电影用了 Atlas”式的想象性叙述。

• 单图 / 少图 → 可探索 3D 世界（官方示例）： 从一张地面照片生成该场景的俯视视角，并进一步生成新视图与 3D 几何、转成高斯 splats；官方称同一输入可生成多条不同的相机轨迹而场景保持一致。
• 可控运镜的视频生成（官方示例）： 以少量参考图生成 1 分钟、1440p 的视频，相机路径由用户手工指定——这是它区别于”按提示词碰运气运镜”的视频模型的卖点。
• 多机位重新取景（官方示例）： 用三到五部架在三脚架与夹具上的普通手机拍摄素材，重建后可任意重新构图、做出”冻结时间”的效果。官方强调整套设备能塞进一个背包。
• 机器人仿真数据生成（官方示例）： 用随手拍的手机视频重建大型环境，再让模拟机器人穿行其中，生成沿途的 RGB 与深度观测——服务于 Real-to-Sim 的导航与操作训练。这条线在 2026 年 7 月收购 SceniX 后进一步坐实。
• 前代产品 Marble 的处境： Marble 是 World Labs 目前唯一公开可用的产品（2025-11-12 起向所有人开放，2026-01 起提供 World API），Atlas 官方称将”驱动未来版本的 Marble”——也就是说，Atlas 的能力今天还不能通过 Marble 直接用到。

版本迭代中的关键技术更新（Milestone Versions + Legacy）

👾 版本清单由AI整理生成，请谨慎参考

Atlas 本身还没有版本史，但它所属的产品线有清晰的一手时间线（以下日期全部取自 World Labs 官方博客索引）：

《Generating Worlds》（2024-12-02）

• 首次公开”可在浏览器中探索的、持久可导航 3D 世界”，是 World Labs 的产品形态宣言。

《Generating Bigger and Better Worlds》（2025-09-16）

• 扩大可生成环境的规模与细节保真度。

RTFM（A Real-Time Frame Model）（2025-10-16）

• 以研究预览形式发布的实时生成式世界模型，可在用户交互过程中实时生成视频。这是 Marble 面世前的技术底噪。

《From Words to Worlds》（2025-11-10，李飞飞署名）

• 宣言性长文，系统阐述”什么是空间智能、它为何重要”，为整条产品线立理论旗帜。两天后 Marble 发布。

Marble（2025-11-12）

• 首款商用产品，”从今天起面向所有人开放”：可从图像、视频、文本生成空间一致、高保真、可持久的 3D 世界。其场景表示即 3D 高斯 splats——这正是后来 Atlas 与之对接的接口。

World API（2026-01-21）

• 开放公共 API，把 Marble 的世界建模能力接入外部应用，从”产品”走向”平台”。

新一轮 10 亿美元融资（2026-02-18）

• 投资方含 AMD、Autodesk、Emerson Collective、Fidelity、NVIDIA、Sea。对动画技术史而言，Autodesk 与 NVIDIA 的同时入局，是”世界模型被图形工业正统接纳”的一个可记录信号。

Spark 2.0：网页端 3DGS 流式加载（2026-04-14）

• 3D 高斯 splatting 的可流式、LOD 化网页传输系统——解决”生成出来的世界怎么在浏览器里跑起来”。

收购 SceniX（2026-07-21）

• 面向机器人的空间智能能力整合，与 Atlas 的”时空模拟 / Real-to-Sim”能力直接呼应。

Atlas（2026-09-01）

• 发布 omni 世界模型，从零预训练的多模态自回归扩散 Transformer；相机位姿成为原生输入类型；四项能力（相机控制生成 / 空间重建 / 时空模拟 / 图像生成）；输出点云与 3D 高斯 splats。
• 进入 Early Access，仅向部分合作伙伴开放，需申请；官方称将驱动未来版本的 Marble。

技术脉络与行业坐标

把 Atlas 放进坐标系，它站的位置相当特殊：

• 它与世界模型谱系的关系： 在”世界模型”这条新兴赛道上，Atlas 属于空间优先的一支——它把 3D 一致性当作架构前提（输入即绑定相机位姿），而非生成后的补救。World Labs 官方在 2026 年 6 月的《A Functional Taxonomy of World Models》里自行提出过一套分类法（渲染器 / 模拟器 / 规划器及其闭环），可视为他们对这条赛道的定义尝试——注意这同样是厂商提出的框架，非学界共识。

• 与视频生成模型的关系： 视频生成模型追求”看起来像”，Atlas 追求”几何站得住”——它生成画面时，相机路径是给定的输入而非碰运气的结果。二者同处”生成模型”这一环节，是目标不同的两条路线，不是上下游关系。官方 benchmark 也只在这两项上做了对比，且如前所述，对比条件对己方有利。

• 技术血缘： 创始人 Ben Mildenhall 是 NeRF 的共同作者，World Labs 的整条路线承接的是”用神经网络表示 3D 场景”这一脉；而 Atlas 选择 3D 高斯 splats 作为输出表示，则把 2023 年才问世的实时辐射场表示，正式推成了生成模型的产物格式——这是它对动画 / 图形技术史最实在的一笔。

• 与既有生产管线的关系： 目前还没有。Atlas 不接 DCC、不进渲染农场，其唯一可对接的现实接口是 Marble 与 World API；它今天在动画工业里的位置是”值得盯着的候选”，而不是”已在用的工具”。把它写进本站，是因为它定义了”生成 → 可用 3D 资产”这条链路的一种可能解法，而非因为它已改变生产。

结语

Atlas 的技术野心说得直白：让相机几何成为模型的一门母语，从而在同一个架构里同时完成生成、重建与模拟三件事——从几张照片变出可渲染的高斯场景，从一段手机视频变出可重新取景的子弹时间，从随手记录变出机器人可用的仿真数据。它把”像素级精确的相机控制”从提示词工程问题，改成了模型输入问题，这是它真正原创的地方。

但它今天仍是一个 Early Access 的模型，不是一件生产工具：没有公开署名的商业案例，没有公开定价，连”全球首个多模态世界模型”这个流传最广的说法都只出现在对外口径而非官方技术博客里。把它写进动画技术史，是因为它接上了从辐射场到实时高斯的那一脉技术血缘，并第一次让”生成的世界”以工业可用的 3D 表示落地——至于这究竟是一条新管线的开端，还是又一次漂亮的演示，得等它真正坐进某条制作流水线才算数。