World Labs 將 Atlas 定義為面向「空間智慧」的 omni world model，也就是一套能原生處理文字、影像、影片與 3D 資訊的多模態世界模型。它的目標不只是產生一段看起來合理的影片，而是讓 AI 理解場景中的物件、視角與環境關係，進一步生成影像與影片、重建真實空間，並模擬鏡頭或場景變化。9

這個差異相當關鍵。一般影像與影片生成模型，多半以逐格產生「看起來合理」的畫面為主要目標；Atlas 則把空間一致性放在更核心的位置：當鏡頭移動時，物件、視點與場景結構應維持連貫，而不是每一格都像重新猜測一次。

Atlas 如何運作？

World Labs 表示，Atlas 是一個從零開始預訓練的多模態自回歸擴散 Transformer。模型會把視覺輸入與其在共享空間脈絡中的位置建立關聯，再預測符合這個脈絡的新畫面、新視角或 3D 輸出。9

使用者可以提供一張或多張參考影像，再加入相機資訊或自行設計的鏡頭路徑。Atlas 隨後可渲染指定視角，包括原始素材沒有直接拍攝到的場景部分。不過，這些未觀測區域是根據現有證據與模型學到的視覺先驗推測而來，並不是經過驗證的實體測量結果。

因此，Atlas 的能力大致可分為兩個相互關聯的方向：

• 相機條件生成： 控制虛擬相機的位置與移動方式，生成影像或影片。
• 空間重建： 從有限影像推測 3D 場景，再渲染出新的視角。

World Labs 也希望同一套空間表示能支援模擬用途，例如改變光線、物件配置、背景與動態，供後續機器人工作使用。9

Atlas 能生成什麼？

根據 World Labs 的說法，Atlas 支援以下幾種生成模式：

• 以一張或多張參考影像生成受鏡頭控制的影像與影片。
• 依文字提示生成影像。
• 生成 360 度全景影像。
• 產生最長 1 分鐘、1440p 解析度的影片。

公司以「pixel-perfect」形容其相機控制能力，意指使用者指定的鏡頭軌跡是生成流程的核心，而不是影片完成後才額外套用的編輯效果。對創作者而言，這可能用於重新取景、合成虛擬鏡頭運動，或僅憑少量視覺參考製作新的鏡頭。9

這套方法的實際價值在於「可控性」。文字提示可以描述場景中應該出現什麼，影像與相機幾何則提供物件位置及觀看方式的線索。換句話說，Atlas 瞄準的是生成式影片與傳統 3D 製作流程之間的交界。

只靠幾張照片重建 3D 場景

World Labs 表示，Atlas 能從一張至數十張輸入影像重建真實世界場景。公司也稱，兩三張照片往往就能產生忠實結果；如果重點是提高保真度，而不是依靠模型推測，系統則可納入超過 100 個視角。9

輸出不只包括新的視角影像，也意在提供明確的 3D 表示。也就是說，Atlas 並非只製作一段從單一指定角度看起來正確的影片，而是試圖建立足以生成額外視角的場景結構。

但這裡有一項不能忽略的限制：如果場景只被少量影像觀察到，未被拍攝的表面就必須由模型推測。重建結果可能非常逼真，卻仍可能誤判被遮擋的物件、實際尺寸、隱藏房間或表面幾何形狀。因此，視覺上具有說服力，不等於已達到可用於測量或工程勘測的重建精度。

Benchmark 結果代表什麼，又不代表什麼？

World Labs 表示，Atlas 在公司的重建評測中勝過目前最先進的專門 3D 重建模型。發布資料特別突出了相機條件生成與 3D 重建兩項任務的量化結果，同時也承認，沒有單一 benchmark 能完整反映 Atlas 的全部能力。9

這些由公司公布的結果具參考價值，但不能直接等同於獨立驗證。目前可取得的資料沒有提供完整、可重現的評測套件，例如所有資料集與測試流程、各模型逐項分數、不確定性估計、模型權重及第三方複現結果。因此，所謂性能領先目前應理解為 World Labs 的公司聲明，而不是已經確立的業界共識。

後續測試尤其需要檢視：

• 長時間且複雜的鏡頭路徑。
• 場景中被遮擋或存在歧義的區域。
• 實際尺寸與幾何測量準確度。
• 長影片中的場景一致性。
• 碰撞與物理互動的可信度。
• 由生成的模擬環境轉移到真實機器人的效果。

Atlas 與 Marble 有什麼關係？

Marble 是 World Labs 目前面向使用者的產品，用於建立可持續保存、可探索的 3D 世界。它能接受文字、單張或多張影像、影片、全景影像與粗略 3D 結構，產生可供使用者探索及後續工作流程使用的世界。6

Atlas 並不是 Marble 改名後的功能，而是 World Labs 下一代的底層模型。公司表示，未來版本的 Marble 及其他產品都將由 Atlas 提供支援。9

兩者的產品分工因此相當清楚：Atlas 提供更通用的空間模型，Marble 則是較容易接觸的創作與瀏覽環境。Marble 文件也說明，使用者可從文字、影像與影片建立世界，再進行探索及後續應用。6

World API 與開發者能否直接使用 Atlas

World Labs 已推出 World API，讓開發者透過公開介面，從文字、影像、全景影像、多視角輸入與影片生成可探索的 3D 世界。API 文件描述的流程是：應用程式提交生成請求，等待處理完成後，再取得生成的世界。83

這與把 Atlas 本身作為可下載或即時在本機執行的模型並不相同。目前公開文件聚焦於非同步的世界生成與結果取得，現有資料也沒有證實 World Labs 已公開 Atlas 的直接模型端點、本地權重或即時推論選項。389

對開發者而言，現階段公開的產品入口是 Marble 及其 API 世界生成流程，而不一定是研究發布中描述的所有 Atlas 能力。

World Labs 瞄準哪些應用？

視覺特效

受鏡頭控制的生成能力，可協助藝術家重新取景、設計虛擬鏡頭運動，或利用少量參考素材產生新鏡頭。其主要賣點是能夠控制空間變化，而非只生成一張孤立畫面。9

電玩遊戲

Marble 已將重點放在可持續保存、可探索的環境。Atlas 若能延伸這個方向，遊戲與世界設計師便可能在維持視角及空間關係的前提下生成或重建場景，而不只是製作單一畫面或短片。69

設計與視覺化

建築、工業與創意團隊或可利用文字、影像及其他參考資料，探索可行走的空間概念。相較於一連串彼此無關的渲染圖，鏡頭控制有機會讓團隊更容易檢視概念並反覆修改。69

機器人

World Labs 也提出「real-to-sim」用途：從日常拍攝的影片建立模擬環境，生成機器人視角的 RGB 與深度觀測資料，再改變物件、光線、動態及背景，供導航與操作訓練使用。9

這是一項企圖心很高的應用，但畫面逼真本身並不能證明場景具備準確物理、可靠尺寸或足夠的 sim-to-real 表現。相關主張仍需要針對特定任務進行評估。

目前能否使用？價格與未知資訊

在目前檢視的發布資料中，Atlas 並未被描述為已廣泛開放的產品。World Labs 正收集早期使用申請，而 Marble 與 World API 是目前文件明確記載的公開選項。98

現有資料也沒有披露 Atlas 的標準價格方案、模型規模、訓練資料、硬體配置、推論延遲、處理量或每次生成所需的運算成本。9

對評估 Atlas 是否適合投入生產流程的人來說，這些資訊相當重要。展示效果很出色，不代表大規模使用時成本可負擔，也不代表系統足夠快速、能互動操作，或可在大量不同場景中穩定重現結果。

結論：Atlas 的真正定位

Atlas 最適合被理解為 World Labs 嘗試整合生成式影片、3D 重建與空間模擬的一套多模態模型。它最具辨識度的構想，是把相機位置與 3D 脈絡視為一等輸入，而不是把每一格生成畫面當成彼此獨立的影像。

World Labs 宣稱的能力相當廣泛：包括受控制的影像與影片生成、從稀疏視角重建場景、輸出明確 3D 表示，以及支援機器人模擬的可能性。然而，就目前資料來看，Atlas 仍處於早期使用階段。在獨立評測、價格、延遲與物理精度資料公開之前，這些最具野心的說法應被視為值得關注的研究成果與產品方向，而不是已獲獨立證實、可直接投入生產的性能保證。

World Labs 將 Atlas 定義為面向「空間智慧」的 omni world model，也就是一套能原生處理文字、影像、影片與 3D 資訊的多模態世界模型。它的目標不只是產生一段看起來合理的影片，而是讓 AI 理解場景中的物件、視角與環境關係，進一步生成影像與影片、重建真實空間，並模擬鏡頭或場景變化。9

這個差異相當關鍵。一般影像與影片生成模型，多半以逐格產生「看起來合理」的畫面為主要目標；Atlas 則把空間一致性放在更核心的位置：當鏡頭移動時，物件、視點與場景結構應維持連貫，而不是每一格都像重新猜測一次。

Atlas 如何運作？

World Labs 表示，Atlas 是一個從零開始預訓練的多模態自回歸擴散 Transformer。模型會把視覺輸入與其在共享空間脈絡中的位置建立關聯，再預測符合這個脈絡的新畫面、新視角或 3D 輸出。9

使用者可以提供一張或多張參考影像，再加入相機資訊或自行設計的鏡頭路徑。Atlas 隨後可渲染指定視角，包括原始素材沒有直接拍攝到的場景部分。不過，這些未觀測區域是根據現有證據與模型學到的視覺先驗推測而來，並不是經過驗證的實體測量結果。

因此，Atlas 的能力大致可分為兩個相互關聯的方向：

• 相機條件生成： 控制虛擬相機的位置與移動方式，生成影像或影片。
• 空間重建： 從有限影像推測 3D 場景，再渲染出新的視角。

World Labs 也希望同一套空間表示能支援模擬用途，例如改變光線、物件配置、背景與動態，供後續機器人工作使用。9

Atlas 能生成什麼？

根據 World Labs 的說法，Atlas 支援以下幾種生成模式：

• 以一張或多張參考影像生成受鏡頭控制的影像與影片。
• 依文字提示生成影像。
• 生成 360 度全景影像。
• 產生最長 1 分鐘、1440p 解析度的影片。

公司以「pixel-perfect」形容其相機控制能力，意指使用者指定的鏡頭軌跡是生成流程的核心，而不是影片完成後才額外套用的編輯效果。對創作者而言，這可能用於重新取景、合成虛擬鏡頭運動，或僅憑少量視覺參考製作新的鏡頭。9

這套方法的實際價值在於「可控性」。文字提示可以描述場景中應該出現什麼，影像與相機幾何則提供物件位置及觀看方式的線索。換句話說，Atlas 瞄準的是生成式影片與傳統 3D 製作流程之間的交界。

只靠幾張照片重建 3D 場景

World Labs 表示，Atlas 能從一張至數十張輸入影像重建真實世界場景。公司也稱，兩三張照片往往就能產生忠實結果；如果重點是提高保真度，而不是依靠模型推測，系統則可納入超過 100 個視角。9

輸出不只包括新的視角影像，也意在提供明確的 3D 表示。也就是說，Atlas 並非只製作一段從單一指定角度看起來正確的影片，而是試圖建立足以生成額外視角的場景結構。

但這裡有一項不能忽略的限制：如果場景只被少量影像觀察到，未被拍攝的表面就必須由模型推測。重建結果可能非常逼真，卻仍可能誤判被遮擋的物件、實際尺寸、隱藏房間或表面幾何形狀。因此，視覺上具有說服力，不等於已達到可用於測量或工程勘測的重建精度。

Benchmark 結果代表什麼，又不代表什麼？

World Labs 表示，Atlas 在公司的重建評測中勝過目前最先進的專門 3D 重建模型。發布資料特別突出了相機條件生成與 3D 重建兩項任務的量化結果，同時也承認，沒有單一 benchmark 能完整反映 Atlas 的全部能力。9

這些由公司公布的結果具參考價值，但不能直接等同於獨立驗證。目前可取得的資料沒有提供完整、可重現的評測套件，例如所有資料集與測試流程、各模型逐項分數、不確定性估計、模型權重及第三方複現結果。因此，所謂性能領先目前應理解為 World Labs 的公司聲明，而不是已經確立的業界共識。

後續測試尤其需要檢視：

• 長時間且複雜的鏡頭路徑。
• 場景中被遮擋或存在歧義的區域。
• 實際尺寸與幾何測量準確度。
• 長影片中的場景一致性。
• 碰撞與物理互動的可信度。
• 由生成的模擬環境轉移到真實機器人的效果。

Atlas 與 Marble 有什麼關係？

Marble 是 World Labs 目前面向使用者的產品，用於建立可持續保存、可探索的 3D 世界。它能接受文字、單張或多張影像、影片、全景影像與粗略 3D 結構，產生可供使用者探索及後續工作流程使用的世界。6

Atlas 並不是 Marble 改名後的功能，而是 World Labs 下一代的底層模型。公司表示，未來版本的 Marble 及其他產品都將由 Atlas 提供支援。9

兩者的產品分工因此相當清楚：Atlas 提供更通用的空間模型，Marble 則是較容易接觸的創作與瀏覽環境。Marble 文件也說明，使用者可從文字、影像與影片建立世界，再進行探索及後續應用。6

World API 與開發者能否直接使用 Atlas

World Labs 已推出 World API，讓開發者透過公開介面，從文字、影像、全景影像、多視角輸入與影片生成可探索的 3D 世界。API 文件描述的流程是：應用程式提交生成請求，等待處理完成後，再取得生成的世界。83

這與把 Atlas 本身作為可下載或即時在本機執行的模型並不相同。目前公開文件聚焦於非同步的世界生成與結果取得，現有資料也沒有證實 World Labs 已公開 Atlas 的直接模型端點、本地權重或即時推論選項。389

對開發者而言，現階段公開的產品入口是 Marble 及其 API 世界生成流程，而不一定是研究發布中描述的所有 Atlas 能力。

World Labs 瞄準哪些應用？

視覺特效

受鏡頭控制的生成能力，可協助藝術家重新取景、設計虛擬鏡頭運動，或利用少量參考素材產生新鏡頭。其主要賣點是能夠控制空間變化，而非只生成一張孤立畫面。9

電玩遊戲

Marble 已將重點放在可持續保存、可探索的環境。Atlas 若能延伸這個方向，遊戲與世界設計師便可能在維持視角及空間關係的前提下生成或重建場景，而不只是製作單一畫面或短片。69

設計與視覺化

建築、工業與創意團隊或可利用文字、影像及其他參考資料，探索可行走的空間概念。相較於一連串彼此無關的渲染圖，鏡頭控制有機會讓團隊更容易檢視概念並反覆修改。69

機器人

World Labs 也提出「real-to-sim」用途：從日常拍攝的影片建立模擬環境，生成機器人視角的 RGB 與深度觀測資料，再改變物件、光線、動態及背景，供導航與操作訓練使用。9

這是一項企圖心很高的應用，但畫面逼真本身並不能證明場景具備準確物理、可靠尺寸或足夠的 sim-to-real 表現。相關主張仍需要針對特定任務進行評估。

目前能否使用？價格與未知資訊

在目前檢視的發布資料中，Atlas 並未被描述為已廣泛開放的產品。World Labs 正收集早期使用申請，而 Marble 與 World API 是目前文件明確記載的公開選項。98

現有資料也沒有披露 Atlas 的標準價格方案、模型規模、訓練資料、硬體配置、推論延遲、處理量或每次生成所需的運算成本。9

對評估 Atlas 是否適合投入生產流程的人來說，這些資訊相當重要。展示效果很出色，不代表大規模使用時成本可負擔，也不代表系統足夠快速、能互動操作，或可在大量不同場景中穩定重現結果。

結論：Atlas 的真正定位

Atlas 最適合被理解為 World Labs 嘗試整合生成式影片、3D 重建與空間模擬的一套多模態模型。它最具辨識度的構想，是把相機位置與 3D 脈絡視為一等輸入，而不是把每一格生成畫面當成彼此獨立的影像。

World Labs 宣稱的能力相當廣泛：包括受控制的影像與影片生成、從稀疏視角重建場景、輸出明確 3D 表示，以及支援機器人模擬的可能性。然而，就目前資料來看，Atlas 仍處於早期使用階段。在獨立評測、價格、延遲與物理精度資料公開之前，這些最具野心的說法應被視為值得關注的研究成果與產品方向，而不是已獲獨立證實、可直接投入生產的性能保證。