先给结论：Atlas 不只是“会生成视频”的模型

World Labs 将 Atlas 称为面向空间智能的“全模态”世界模型（omni world model）。它从零开始训练，原生处理文本、图像、视频和 3D 信息，目标并不只是生成一段视觉上逼真的视频，而是理解一个空间，并根据摄像机位置、运动路径和场景关系生成新的画面。9

这一区别很关键。传统图像或视频生成模型往往更关注每一帧是否足够逼真；Atlas 则试图让场景中的物体、视角和环境在摄像机移动时保持连贯。换句话说，它要解决的不仅是“画面像不像”，还包括“镜头移动后，这个世界是否仍然成立”。

Atlas 的工作方式

World Labs 将 Atlas 描述为一种从零开始预训练的多模态自回归扩散 Transformer。模型会把视觉输入与其在共享空间中的位置联系起来，再预测符合这一空间上下文的新帧、新视角或 3D 输出。9

用户可以提供一张或多张参考图片，也可以提供摄像机信息或预先设计好的摄像机路径。Atlas 随后能够按照指定视角渲染场景，包括原始素材没有直接拍到的区域。

但这里需要明确一个边界：这些未观察区域并不是通过真实测量“找回”的，而是模型依据现有图像证据和学到的视觉先验进行推断。因此，生成得逼真，并不等于物理上已经被证实。

Atlas 的能力大致可以分为两类：

• 摄像机条件生成：控制虚拟摄像机的位置和运动方式，生成对应的图像或视频。
• 空间重建：从数量有限的图片推断一个 3D 场景，并渲染原始素材中不存在的新视角。

World Labs 还希望利用同一套空间表示支持模拟，例如改变光照、运动、背景和物体配置，为后续的机器人训练提供环境。9

它能生成什么？

按照 World Labs 的介绍，Atlas 支持以下生成模式：

• 根据一张或多张参考图片生成受摄像机控制的图像和视频；
• 根据文本生成图像；
• 生成 360 度全景图；
• 生成最长 1 分钟、分辨率最高 1440p 的视频。9

公司使用“像素级精准”（pixel-perfect）来形容其摄像机控制能力。这里的重点不是事后把镜头方向剪出来，而是让摄像机轨迹本身成为生成过程的核心条件。

对创作者而言，这意味着可以尝试重新构图、合成虚拟运镜，或者仅凭少量视觉参考生成新的镜头。Atlas 的定位也因此处在生成式视频与传统 3D 制作流程之间：文字可以描述“要出现什么”，而参考图像和摄像机几何信息则帮助模型确定“它在哪里、应该从哪里看”。

用几张照片重建 3D 场景

World Labs 表示，Atlas 可以从一张到几十张输入图片中重建现实场景。公司还称，两三张照片通常就能得到较为忠实的结果；如果目标是尽量提高还原度，而不是依赖模型推断，则可以纳入超过 100 个视角。9

输出也不局限于某个固定角度下看起来正确的一段视频。Atlas 的目标是生成新的视角图像，并提供显式的 3D 表示，让用户能够从更多方向观察同一场景。9

不过，稀疏视角重建始终存在一个现实限制：被遮挡或没有拍到的表面必须经过推断。一个重建结果即使视觉上很有说服力，也可能在隐藏物体、空间尺寸、房间结构或表面几何形状上出错。

因此，Atlas 的高视觉质量不能直接等同于测量级、测绘级的准确重建。对于建筑测量、工业检测或机器人碰撞判断等任务，仍然需要额外的误差评估和现场验证。

基准测试说明了什么，又没有说明什么？

World Labs 称，在其重建评测中，Atlas 的表现超过了当时先进的专业 3D 重建模型。发布材料重点展示了摄像机条件生成和 3D 重建两项任务的量化结果，同时也承认，没有单一基准能够完整覆盖 Atlas 的全部能力。9

这属于有参考价值的公司公布结果，但不能直接视为独立验证。当前材料没有提供一套完整、可复现的评测包，例如全部数据集协议、各模型逐项得分、不确定性估计、模型权重以及第三方复现结果。因此，“领先专业模型”的说法应被理解为 World Labs 的测试结论，而不是已经得到行业普遍确认的定论。9

后续测试尤其需要关注：

• 长时间、复杂摄像机路径下的画面一致性；
• 被遮挡或存在歧义的场景区域；
• 尺寸、深度和几何测量精度；
• 长视频序列中的物体与环境稳定性；
• 碰撞检测和物理交互是否可靠；
• 从生成的仿真环境迁移到真实机器人的效果。

Atlas 与 Marble 是什么关系？

Marble 是 World Labs 面向用户推出的产品，用于创建持久、可探索的 3D 世界。它支持文本、单张或多张图片、视频、全景图以及粗略 3D 结构等输入，生成后用户可以在其中探索，并将其用于后续工作流。6

Atlas 并不是简单改名后的 Marble 功能，而是 World Labs 下一代的底层模型。公司表示，未来版本的 Marble 以及其他产品都将由 Atlas 提供支持。9

可以把两者理解为“模型”和“产品”的关系：Atlas 负责提供更通用的空间建模能力，Marble 则是用户创建和查看持久 3D 世界的产品界面。Marble 的文档显示，用户可以从文本、图像和视频创建世界，并将生成结果用于探索和其他下游流程。6

World API：开发者现在能用到什么？

World Labs 已推出 World API，允许开发者通过文本、图像、全景图、多视角输入和视频生成可探索的 3D 世界。文档描述的流程是：应用提交生成请求，等待处理完成，再通过接口获取生成结果。83

这与直接下载 Atlas、在本地运行模型，或获得实时推理接口，并不是一回事。现有文档主要围绕异步生成和结果获取展开；目前材料没有证明 World Labs 已公开提供 Atlas 的本地权重、实时推理选项或面向公众的 Atlas 模型端点。389

对开发者来说，当前明确可用的产品入口仍是 Marble 及其基于 API 的世界生成流程，而不是 Atlas 发布材料中描述的每一项底层能力。

World Labs 设想的应用场景

影视特效

摄像机控制生成可以帮助创作者重新构图、设计虚拟运镜，并根据少量参考素材生成新的镜头。它的核心卖点是可控的空间变化，而不是只生成一张孤立的画面。9

电子游戏

Marble 已经把重点放在持久、可探索的环境上。Atlas 可能进一步让游戏和虚拟世界设计者在保持视角与空间关系的同时生成或重建场景，从而区别于只适合一次性观看的视频生成。69

设计与可视化

建筑、工业和创意团队可以把文字、图片等参考资料转化为可导航的空间概念。相比一组彼此独立的效果图，能够控制观察视角，可能更适合检查布局并反复迭代。69

机器人

World Labs 还提出了“从现实到仿真”（real-to-sim）的方向：通过手机拍摄等日常记录创建模拟环境，生成机器人视角下的 RGB 和深度观测，并改变物体、光照、运动和背景，用于导航与操作训练。9

这是一个雄心很大的应用方向，但视觉逼真本身并不能证明场景拥有准确物理属性、可靠尺寸或足够好的 sim-to-real（从仿真到现实）效果。机器人应用仍需要针对具体任务进行独立评估。

SceniX、融资与产品路线

World Labs 的机器人方向也与其收购 SceniX 的布局相呼应。相关资料将这项收购与机器人训练、空间建模和仿真方向联系起来；但收购本身并不能证明 Atlas 已经具备生产级物理仿真能力。

World Labs 此前累计融资约 12.3 亿美元的背景，说明公司拥有较强的资金支持，但融资规模同样不是模型性能或商业化成熟度的证据。

真正决定 Atlas 能否成为生产工具的，仍将是生成成本、处理速度、稳定性、几何准确度以及客户在真实工作流中的复现效果。

访问方式、价格与尚未公开的信息

在目前的发布材料中，Atlas 并未被描述为面向所有用户广泛开放的产品；World Labs 正在收集早期访问申请。Marble 和 World API 则是已有公开文档的产品入口。98

现有 Atlas 发布信息没有披露标准价格表、模型规模、训练数据、硬件配置、推理延迟、吞吐量，也没有公布单次生成世界或视频所需的计算成本。9

这些信息对于制作公司、游戏团队和机器人企业尤为重要。一段效果出色的演示，无法回答它是否能以可接受的成本规模化运行、是否足够快以支持交互式使用，也无法说明它能否在大量不同场景中稳定复现。

最终判断

Atlas 可以被理解为 World Labs 试图用一个多模态模型连接三条路线：生成式视频、3D 场景重建和空间仿真。它最具辨识度的思路，是把摄像机位置和 3D 上下文提升为一等输入，而不是把每一帧都当成相互独立的图像。

World Labs 宣称的能力相当完整：受控图像和视频生成、从稀疏视角重建场景、输出显式 3D 表示，以及为机器人提供仿真环境。但在目前材料所覆盖的阶段，Atlas 仍处于早期访问和产品演进过程中。

在独立评测、价格、延迟和物理准确度数据公开之前，Atlas 更适合被看作一项前景可观的研究成果和产品路线，而不是已经被独立证明的生产级性能。

先给结论：Atlas 不只是“会生成视频”的模型

World Labs 将 Atlas 称为面向空间智能的“全模态”世界模型（omni world model）。它从零开始训练，原生处理文本、图像、视频和 3D 信息，目标并不只是生成一段视觉上逼真的视频，而是理解一个空间，并根据摄像机位置、运动路径和场景关系生成新的画面。9

这一区别很关键。传统图像或视频生成模型往往更关注每一帧是否足够逼真；Atlas 则试图让场景中的物体、视角和环境在摄像机移动时保持连贯。换句话说，它要解决的不仅是“画面像不像”，还包括“镜头移动后，这个世界是否仍然成立”。

Atlas 的工作方式

World Labs 将 Atlas 描述为一种从零开始预训练的多模态自回归扩散 Transformer。模型会把视觉输入与其在共享空间中的位置联系起来，再预测符合这一空间上下文的新帧、新视角或 3D 输出。9

用户可以提供一张或多张参考图片，也可以提供摄像机信息或预先设计好的摄像机路径。Atlas 随后能够按照指定视角渲染场景，包括原始素材没有直接拍到的区域。

但这里需要明确一个边界：这些未观察区域并不是通过真实测量“找回”的，而是模型依据现有图像证据和学到的视觉先验进行推断。因此，生成得逼真，并不等于物理上已经被证实。

Atlas 的能力大致可以分为两类：

• 摄像机条件生成：控制虚拟摄像机的位置和运动方式，生成对应的图像或视频。
• 空间重建：从数量有限的图片推断一个 3D 场景，并渲染原始素材中不存在的新视角。

World Labs 还希望利用同一套空间表示支持模拟，例如改变光照、运动、背景和物体配置，为后续的机器人训练提供环境。9

它能生成什么？

按照 World Labs 的介绍，Atlas 支持以下生成模式：

• 根据一张或多张参考图片生成受摄像机控制的图像和视频；
• 根据文本生成图像；
• 生成 360 度全景图；
• 生成最长 1 分钟、分辨率最高 1440p 的视频。9

公司使用“像素级精准”（pixel-perfect）来形容其摄像机控制能力。这里的重点不是事后把镜头方向剪出来，而是让摄像机轨迹本身成为生成过程的核心条件。

对创作者而言，这意味着可以尝试重新构图、合成虚拟运镜，或者仅凭少量视觉参考生成新的镜头。Atlas 的定位也因此处在生成式视频与传统 3D 制作流程之间：文字可以描述“要出现什么”，而参考图像和摄像机几何信息则帮助模型确定“它在哪里、应该从哪里看”。

用几张照片重建 3D 场景

World Labs 表示，Atlas 可以从一张到几十张输入图片中重建现实场景。公司还称，两三张照片通常就能得到较为忠实的结果；如果目标是尽量提高还原度，而不是依赖模型推断，则可以纳入超过 100 个视角。9

输出也不局限于某个固定角度下看起来正确的一段视频。Atlas 的目标是生成新的视角图像，并提供显式的 3D 表示，让用户能够从更多方向观察同一场景。9

不过，稀疏视角重建始终存在一个现实限制：被遮挡或没有拍到的表面必须经过推断。一个重建结果即使视觉上很有说服力，也可能在隐藏物体、空间尺寸、房间结构或表面几何形状上出错。

因此，Atlas 的高视觉质量不能直接等同于测量级、测绘级的准确重建。对于建筑测量、工业检测或机器人碰撞判断等任务，仍然需要额外的误差评估和现场验证。

基准测试说明了什么，又没有说明什么？

World Labs 称，在其重建评测中，Atlas 的表现超过了当时先进的专业 3D 重建模型。发布材料重点展示了摄像机条件生成和 3D 重建两项任务的量化结果，同时也承认，没有单一基准能够完整覆盖 Atlas 的全部能力。9

这属于有参考价值的公司公布结果，但不能直接视为独立验证。当前材料没有提供一套完整、可复现的评测包，例如全部数据集协议、各模型逐项得分、不确定性估计、模型权重以及第三方复现结果。因此，“领先专业模型”的说法应被理解为 World Labs 的测试结论，而不是已经得到行业普遍确认的定论。9

后续测试尤其需要关注：

• 长时间、复杂摄像机路径下的画面一致性；
• 被遮挡或存在歧义的场景区域；
• 尺寸、深度和几何测量精度；
• 长视频序列中的物体与环境稳定性；
• 碰撞检测和物理交互是否可靠；
• 从生成的仿真环境迁移到真实机器人的效果。

Atlas 与 Marble 是什么关系？

Marble 是 World Labs 面向用户推出的产品，用于创建持久、可探索的 3D 世界。它支持文本、单张或多张图片、视频、全景图以及粗略 3D 结构等输入，生成后用户可以在其中探索，并将其用于后续工作流。6

Atlas 并不是简单改名后的 Marble 功能，而是 World Labs 下一代的底层模型。公司表示，未来版本的 Marble 以及其他产品都将由 Atlas 提供支持。9

可以把两者理解为“模型”和“产品”的关系：Atlas 负责提供更通用的空间建模能力，Marble 则是用户创建和查看持久 3D 世界的产品界面。Marble 的文档显示，用户可以从文本、图像和视频创建世界，并将生成结果用于探索和其他下游流程。6

World API：开发者现在能用到什么？

World Labs 已推出 World API，允许开发者通过文本、图像、全景图、多视角输入和视频生成可探索的 3D 世界。文档描述的流程是：应用提交生成请求，等待处理完成，再通过接口获取生成结果。83

这与直接下载 Atlas、在本地运行模型，或获得实时推理接口，并不是一回事。现有文档主要围绕异步生成和结果获取展开；目前材料没有证明 World Labs 已公开提供 Atlas 的本地权重、实时推理选项或面向公众的 Atlas 模型端点。389

对开发者来说，当前明确可用的产品入口仍是 Marble 及其基于 API 的世界生成流程，而不是 Atlas 发布材料中描述的每一项底层能力。

World Labs 设想的应用场景

影视特效

摄像机控制生成可以帮助创作者重新构图、设计虚拟运镜，并根据少量参考素材生成新的镜头。它的核心卖点是可控的空间变化，而不是只生成一张孤立的画面。9

电子游戏

Marble 已经把重点放在持久、可探索的环境上。Atlas 可能进一步让游戏和虚拟世界设计者在保持视角与空间关系的同时生成或重建场景，从而区别于只适合一次性观看的视频生成。69

设计与可视化

建筑、工业和创意团队可以把文字、图片等参考资料转化为可导航的空间概念。相比一组彼此独立的效果图，能够控制观察视角，可能更适合检查布局并反复迭代。69

机器人

World Labs 还提出了“从现实到仿真”（real-to-sim）的方向：通过手机拍摄等日常记录创建模拟环境，生成机器人视角下的 RGB 和深度观测，并改变物体、光照、运动和背景，用于导航与操作训练。9

这是一个雄心很大的应用方向，但视觉逼真本身并不能证明场景拥有准确物理属性、可靠尺寸或足够好的 sim-to-real（从仿真到现实）效果。机器人应用仍需要针对具体任务进行独立评估。

SceniX、融资与产品路线

World Labs 的机器人方向也与其收购 SceniX 的布局相呼应。相关资料将这项收购与机器人训练、空间建模和仿真方向联系起来；但收购本身并不能证明 Atlas 已经具备生产级物理仿真能力。

World Labs 此前累计融资约 12.3 亿美元的背景，说明公司拥有较强的资金支持，但融资规模同样不是模型性能或商业化成熟度的证据。

真正决定 Atlas 能否成为生产工具的，仍将是生成成本、处理速度、稳定性、几何准确度以及客户在真实工作流中的复现效果。

访问方式、价格与尚未公开的信息

在目前的发布材料中，Atlas 并未被描述为面向所有用户广泛开放的产品；World Labs 正在收集早期访问申请。Marble 和 World API 则是已有公开文档的产品入口。98

现有 Atlas 发布信息没有披露标准价格表、模型规模、训练数据、硬件配置、推理延迟、吞吐量，也没有公布单次生成世界或视频所需的计算成本。9

这些信息对于制作公司、游戏团队和机器人企业尤为重要。一段效果出色的演示，无法回答它是否能以可接受的成本规模化运行、是否足够快以支持交互式使用，也无法说明它能否在大量不同场景中稳定复现。

最终判断

Atlas 可以被理解为 World Labs 试图用一个多模态模型连接三条路线：生成式视频、3D 场景重建和空间仿真。它最具辨识度的思路，是把摄像机位置和 3D 上下文提升为一等输入，而不是把每一帧都当成相互独立的图像。

World Labs 宣称的能力相当完整：受控图像和视频生成、从稀疏视角重建场景、输出显式 3D 表示，以及为机器人提供仿真环境。但在目前材料所覆盖的阶段，Atlas 仍处于早期访问和产品演进过程中。

在独立评测、价格、延迟和物理准确度数据公开之前，Atlas 更适合被看作一项前景可观的研究成果和产品路线，而不是已经被独立证明的生产级性能。