World Labs发布多模态世界模型Atlas 支持像素级镜头控制与3D场景重建

AI 视频和 3D 生成正在从“生成一段好看的画面”，进一步走向“可控制、可重建、可模拟”的方向。近日，由李飞飞创办的 World Labs 发布多模态世界模型 Atlas，再次把世界模型推到行业关注中心。

Atlas 的核心亮点在于，它能够通过像素级精确相机控制生成图像和视频帧，并在三维空间中对内容进行重建。这意味着用户不只是输入提示词生成画面，还可以更精细地控制镜头位置、角度和运动路径，让生成结果更接近真实拍摄和影视制作流程。

Atlas 是什么

Atlas 是 World Labs 推出的全新多模态世界模型。它从头开始进行预训练，能够接收图像、视频、文本、相机运动等多种输入，并将这些信息转化为可理解、可生成、可重建的三维空间视图。

与普通图像或视频生成模型不同，Atlas 更强调空间一致性和镜头控制。它可以在模型的空间上下文中定位多个输入视图，再基于这些视图生成新的图像或视频帧。

简单来说，Atlas 不只是“画图”或“生成视频”，而是在理解空间结构的基础上，生成与原始内容和几何关系匹配的新视角画面。

Atlas 最受关注的能力，是像素级相机控制。

用户可以指定任意摄像机位置和角度，让模型生成一个或多个参考图像。这些图像能够与原始内容和几何形状保持匹配，并平滑扩展画面。

这类能力可以用于生成类似电影中“子弹时间”的镜头效果。过去，这种效果通常需要多机位拍摄、复杂后期和三维重建流程。Atlas 将这类镜头控制能力放进生成模型中，使用户可以更直接地控制镜头运动和画面呈现。

在图像和视频创作场景中，这意味着 AI 生成内容不再只是随机出图，而是可以围绕明确的镜头语言进行创作。

除了生成新视角画面，Atlas 还支持从单张或多张输入图像中输出明确的 3D 模型。

World Labs 表示，Atlas 在三维重建效果上已经超过目前许多顶级开源重建模型。它可以从数十张输入图像中重建真实场景，也可以基于新颖视角生成图像帧，并提供显式三维输出。

这类能力对影视制作、游戏开发、空间设计、电商展示和机器人仿真都有潜在价值。比如，创作者可以用少量图片恢复一个场景的空间结构，再继续生成不同角度的画面；开发团队也可以将真实环境转化为模拟环境，用于训练或测试。

在相机控制生成方面，Atlas 可以从一张或多张图像出发，生成最长 1 分钟的 1440p 高清视频。

对于 AI 视频生成来说，时长、清晰度和空间一致性一直是关键难点。Atlas 通过对相机位置和空间结构的控制，试图减少镜头变化中的画面漂移、结构错乱和场景不连续问题。

这也让它更适合用于电影感镜头、产品展示、虚拟场景漫游、广告视觉和创意短片制作。

Atlas 还具备时空模拟能力。它可以通过输入视频来建模空间与时间，并对视频进行重新构图，从而增强戏剧化视觉效果。

这类能力可以理解为：模型不仅能处理静态空间，还能理解视频中的时间变化。它可以在已有视频基础上调整视角、重构画面，甚至为机器人相关的真实到模拟工作流程提供支持。

对于机器人训练和仿真来说，世界模型的价值在于理解环境、动作和结果之间的关系。Atlas 如果能稳定处理真实空间与模拟空间之间的转换，将可能成为具身智能和自动化训练流程中的重要工具。

除了图像、视频和空间重建，Atlas 也支持从文本生成图像和 360 度全景。

World Labs 表示，该模型能够精准跟随复杂提示词，渲染文字，并呈现多种视觉风格。这说明 Atlas 并不只是面向三维重建，也可以覆盖更广泛的内容生成任务。

对于普通内容创作者来说，文本生成图像、全景生成和镜头控制结合后，可能会带来更完整的 AI 视觉工作流：先用文本生成场景，再用相机控制生成不同视角，最后输出视频或 3D 结果。

从目前公布的信息来看，Atlas 的应用场景主要集中在以下方向：

相比传统 AI 图片或视频工具，Atlas 更偏向“空间智能”和“可控生成”。这也是 World Labs 一直强调的世界模型方向。

World Labs 表示，目前已有部分合作伙伴获得 Atlas 的抢先体验资格。未来几周，该模型将逐步向更广泛的早期访问者开放。

这意味着 Atlas 目前还不是完全公开可用的产品。对普通用户和开发者来说，仍需等待 World Labs 后续公布更多访问方式、使用限制、价格方案和实际应用案例。