World Labs 发布 Atlas 多模态空间智能模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从照片到可漫游场景
World Labs 推出的 Atlas 是一个从零开始预训练的多模态空间智能大模型。它的输入方式比较直接：给几张照片，模型能输出一段可以从任意角度观看的连续视频；给一段手机拍摄的视频，它则能重建出完整的 3D 场景，并允许机器人在其中模拟导航。这意味着输入的门槛被压得很低，普通手机拍摄的素材就能成为重建的起点，而不需要专门的扫描设备或专业采集流程。输出端强调的是连续性与可探索性——不是单张图或固定视角的片段，而是能够在场景中移动观看的结果。
架构拆成三段来看
Atlas 的核心架构被描述为 multimodal autoregressive diffusion transformer。这个术语可以拆成三部分理解：多模态对应它同时处理照片、视频等不同形式的输入；自回归对应生成过程按顺序逐步展开，前一步的结果参与后续步骤；扩散 transformer 则指向生成环节采用的模型结构。三者组合在一起，指向的是一种既能接收多种输入、又能连续生成空间内容的模型形态。材料同时说明该模型是从零预训练，而非在已有模型上做微调，这一点决定了它的能力边界来自自身训练过程。
与平面生成的区别
常见的图像或视频生成方案，产出的是二维画面，观看角度由生成时确定，用户很难在结果里自由改变位置。Atlas 的落点在于空间本身：照片输入换来的是可换角度观看的连续视频，视频输入换来的是完整 3D 场景。差别不只是输出格式，而是结果是否具备可供导航的空间结构。对机器人模拟导航这一用途来说，场景需要能被进入、被移动、被从不同位置观察，这正是重建出的 3D 场景所提供的东西，而平面画面无法承担。
适用范围与当前限制
从材料给出的信息看，Atlas 的适用场景集中在两类：一是由少量照片生成可多角度观看的连续视频，二是由手机视频重建完整 3D 场景并支持机器人模拟导航。输入侧的便利性是其特点，手机拍摄即可作为重建素材。需要留意的是，材料没有披露模型规模、训练数据构成、重建精度、处理耗时以及可支持的场景类型范围，也没有说明对拍摄条件的要求。因此目前能确认的是能力方向与输入输出形式，具体在复杂环境下的表现、失败情形与边界条件，材料中并未涉及。
为什么值得看
突破 3D 重建技术，为机器人导航和虚拟世界生成提供新可能
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。