刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位

前脚友商还在为你追我赶生成几秒钟的「电子榨菜」视频卷到头秃；后脚李飞飞创办的 World Labs 微微一笑，把桌子掀了——

就在刚刚，全球首个多模态世界模型 Atlas 正式登场！

▲官方博客🔗 https://www.worldlabs.ai/blog/atlas

按照官方定义，Atlas 是一款面向空间智能的 omni world model，从零开始完成预训练，可以原生处理文本、图像、视频、相机位姿与 3D 深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟。

先来看最直观的炸场操作：

Camera Controlled Generation（相机控制生成）。

以前大家玩视频生成模型，多少有点玄学抽奖。我们在 Prompt 框里卑微敲下：「镜头缓慢向左拉升、绕着人物微仰角旋转」，回车之后全凭老天保佑。

对比之下，Atlas 的做法是：直接把「相机位姿参数」当作底层原生输入。

你要什么角度、什么轨迹、走多快？

直接给坐标！

只要丢进去 1 到 6 张普通照片，定好运镜轨迹，Atlas 就能生成最长达 1 分钟、1440p 分辨率 的大片。

画面不崩，空间几何丝滑一致，堪称外挂级运镜。

更夸张的是它的空间「脑补力」。

输入一张只拍到机器人正面的照片？Atlas 能把人家背影完完整整脑补出来；

给一张泳池边角照？它靠着脑子里的「世界常识」，默默帮你把隔壁没拍到的草坪和远山给修好了。

从官方放出的 Demo 来看，Atlas 在镜头运动和空间一致性上确实比普通视频生成模型更进一大步。

不过，镜头一旦进入原图没有拍到的区域，Atlas 实际上仍然需要依赖模型先验去猜，视角跨度越大、生成路径越长，局部几何漂移、物体形状变化和纹理闪烁也越容易暴露出来。

换句话说，它生成的更像是一个视觉上合理的三维世界，未必就是原来那个世界的精确数字复刻。

而种种操作的背后，也绕不开一个名为 Spatial Context（空间上下文）的行业术语。

大语言模型看上文接下文，Atlas 则是给每张图片绑死三维坐标和深度，在脑子里搭出一个带轴网的房间。

说得更直白一点，Atlas 很多能力的底层，其实都绕不开多视角合成。

它会把来自不同角度、不同机位的图片和视频，一起塞进同一个三维空间里，先判断它们彼此之间的相对位置，再补足没拍到的区域，继续生成新的视角。

单张图输入时，它更多依赖模型先验去「脑补」世界；输入视角一旦变多，它就更像是在做一次带空间约束的多视角融合，把零散画面慢慢拼成一个连续、可漫游的三维场景。

甚至你随便抓两张八竿子打不着的照片往空间里一扔，Atlas 都能强行给你脑补出走廊、大门和房间，把俩场景无缝焊在一起。

导演系同学看到这里，战术沉默，缓缓打出一个问号：合着以后运镜不用实拍，直接在电脑里「云开机」就完事了？

除此之外，Atlas 还有第二张王牌：Spatial Reconstruction（空间重建）。

传统的 3D 高斯泼溅（3D GS）或者点云扫描，得扛着专业设备围着目标转几十圈，拍几百上千张照片，费钱又费腿。

但 Atlas 再次露出神秘的微笑：一边去，哪来这么多的规矩。

官方直接甩出了一个斯坦福大学 Main Quad 案例，只需把 2 到 25 张游客视角的地面平拍照片塞进去，就能轻松还原草坪、拱廊以及纪念教堂外墙的全部细节。

主题：照片