摘要Atlas 是 World Labs 于 2026 年 9 月发布的全息世界模型一个从零预训练的多模态自回归扩散 Transformer。它的技术分水岭不在骨干网络而在于把文本、图像、相机位姿、3D 深度图统一接地到 3D 空间位置构成空间上下文使生成从采样问题变成编排问题。本文拆解其四词架构定义、空间上下文机制、四类任务族的实现细节与缩放逻辑并对全部厂商自报指标做证据等级标注。官方博客Atlas: A World Model for Spatial Intelligence相关发布A Functional Taxonomy of World Models · 3D as Code · Building Worlds That Train Robots一、先划清证据边界写这篇之前必须先说清楚一件事Atlas 发布于 2026 年 9 月 1 日晚于我的知识截止时间2025 年 5 月。这意味着本文中所有关于 Atlas 的架构描述、能力声明、实验数字都属于转述 World Labs 官方博客的自述未经第三方独立复现。文中凡涉及具体指标处都会标注「厂商自报」。这不是免责套话世界模型赛道目前缺少第三方评测基础设施——没有统一 benchmark、没有公开 API 可供复现。2025 年 5 月前已确立的事实World Labs 团队构成、选 3DGS 而非 NeRF 的路线、Real-to-Sim-to-Real 管线可以当作结论讨论而 Atlas 自身的一切只能读作一份论证严密的技术路线宣言。二、问题背景为什么像素级世界模型不够World Labs 在《3D as Code》一文中给出了他们全部技术选型的出发点。这段论证是整个路线的地基值得完整理解——它解释了 Atlas 为什么不是给视频模型加个相机接口。核心类比把3D 表示类比成代码。代码能成为通用接口靠两条性质人机之间AI 生成的代码人类可以看、可以改、可以调试、可以接入更大系统机器之间代码可接编译器、运行时、API、既有软件基础设施。底层属性是同一个——状态的外化externalization of state into structured artifacts。反例的论证相当精妙。你可以直接叫 LLM 输出一百万个排好序的数字——模型能在 token 流里试图模拟排序。但没人会这么用因为代码执行提供了原始推理不具备的保证可复现执行、人类可读、模块可组合。代码可被存储、版本化、测试独立于模型转瞬即逝的上下文窗口把推理、表示、执行三者分开。对应到空间系统让 LLM 当程序本身的做法就是丢掉结构化世界表示与仿真引擎依赖黑盒的状态-观测纠缠即逐帧查询的动作条件像素/状态生成模型。官方原话这类模型在其核心任务上可能极其出色但它们缺少可操作的结构输出无法被检查、编辑、共享例如多人的共享体验或机器人与机器人之间的共享意图与状态也无法接入既有的仿真与控制系统。这段话是理解 Atlas 定位的钥匙它要产出的不是一段好看的视频而是能被下游消费的结构化空间状态。2.1 功能分类学Renderer / Simulator / Planner要定位 Atlas需要先看 World Labs 提出的世界模型功能分类类别输出优化目标Renderer渲染器像素视觉逼真度Simulator仿真器状态结构与物理忠实度Planner规划器动作任务成功率其核心论点是几何、物理、动力学这些世界如何运作的知识是三者共享的底层而仿真器是关键枢纽——它把一个世界变成智能体可以行动、学习、被评估的场所。Atlas 定位在renderer ↔ simulator 之间明确不触碰 planner。这与 Marble 已从单一模型同时输出高斯泼溅和碰撞网格、消解渲染器与仿真器边界是同一条路线的延伸。三、Atlas 实现原理3.1 架构定义四个词Atlas 的官方架构定义原文只有一句Atlas is amultimodal autoregressive diffusion transformer. Its inputs are grounded in 3D space to form aspatial context, and it generates multimodal outputs conditioned on its context.拆成四个词逐个看词含义设计动机Multimodal原生处理文本、图像、相机位姿、3D 深度图视频表示为图像序列。每张图与深度图都条件于显式相机位姿让空间控制成为架构中心组件而非外挂模块Autoregressive在元素序列上工作每个元素是上述类型之一逐个生成每个输出条件于序列中更早的部分任务只需表达成不同种类的序列输入在前、输出在后Diffusion整流流模型rectified flow逐步去噪生成擅长高维连续数据可通过改变去噪步数在速度与质量间取舍Transformer大量矩阵乘法适配现代硬件的稳健骨干关键信息在紧接着的一句里这些目标要求他们脱离 LLM 和视频模型各自的标准架构设计全新的基础架构。也就是说Atlas 不是给视频扩散模型接上相机参数而是从骨干层重新设计。过去两年多数可控生成工作走外挂条件路径ControlNet 式而 Atlas 把几何做进了骨干的原生输入模态。3.2 空间上下文Spatial Context最核心的机制这是 Atlas 与文生视频模型的根本分野类似 LLMAtlas 先把输入编码成一个上下文再基于上下文生成输出。但 Atlas 的独特之处在于每张图像都被接地grounded到空间中的一个 3D 位置这构成了空间上下文。管理这个空间上下文解锁了两类全新的控制方式1无关图像的空间缝合。把两张无关参考图放进上下文并在 3D 中定位Atlas 会生成在两者之间平滑插值的世界自己想象出门洞、走廊、壁龛等过渡结构。说服力在于过渡结构不在任何输入里是世界知识被空间约束激发出来的产物。2长视频的精确编排。相机运动 空间上下文管理可以生成长视频并控制每一个镜头。官方对此的表述值得原文引用这把你放进导演椅你是在调度场景而不是在拉老虎机的拉杆。you are staging the scene, not pulling the lever of a slot machine从工程语言学角度这句话的实质是把生成从采样问题转化为编排问题——可控性的来源不再是提示词工程而是显式几何。图 1五种原生输入模态经空间上下文汇聚到自回归扩散 Transformer再分派到四类任务族。重点看中间区块LLM 的上下文是 token 序列Atlas 的上下文是「被放进 3D 空间某坐标的观测集合」——位置本身即控制接口。来源据 World Labs 官方博客披露内容重绘。3.3 推理基础设施可复用Atlas 被定位为现代 LLM 与现代视频模型思想的混合体因此能继承两条技术线的工程红利来源可复用技术LLM 路线KV-caching、cache-aware routing、disaggregated serving分离式服务等推理服务加速手段视频模型路线latent diffusion、扩散蒸馏diffusion distillation、classifier-free guidance、shifted noise schedules、VAE 设计进展这是个务实的判断世界模型不必重新发明推理基础设施。自回归骨干与 LLM 同构可直接吃 LLM 服务栈的优化积累——推理成本曲线不会像传统 3D 重建管线那样从零开始。3.4 缩放与训练Atlas从零预训练pretrained from scratch语料为大规模多模态数据开发中训练了一系列规模与算力递增的模型结论是**“每一级新的算力都解锁了新的模型能力”**并相信该趋势继续放大后依然成立。官方用了 “strong evidence” 这个措辞。注意它指的是能力层级跃升capability emergence不是连续指标的可预测提升——两者证据强度差别很大。四、四类任务族与实现细节4.1 相机控制生成Camera-Controlled Generation项内容输入1–6 张参考图 手工设计的相机路径原生相机几何输入输出最长1 分钟、1440p视频机制在指定相机位姿生成新视图内容与几何匹配输入图平滑外推想象未见部分官方的例子很有说明性从单张图出发Atlas 生成了机器人的背面并猜测泳池旁边应该有一片草坪。这说明外推不是纹理延展而是调用世界知识做几何合理推断——这正是生成式重建区别于传统多视图立体的地方。“Pixel-Perfect Camera Control” 的取舍在基准测试中带来了巨大数字优势但那个数字需要审慎解读见第五节。4.2 空间重建Spatial Reconstruction项内容输入1 张到 100 张图像输出新视角帧 显式 3D点云、3D 高斯泼溅机制同时生成新视图并估计几何视频输入时预测每帧深度再合并为 3D 重建定位朝向稀疏输入的新视角合成——3D 视觉的老问题这里有个洞察值得拎出来给 Atlas 的输入图像越多它就想象得越少。the more it sees, the less it imagines这暴露了生成式重建的本质张力模型的世界知识既是补全缺失区域的能力来源也是忠实度的风险来源。同一个能力稀疏输入时是优势高保真重建需求下是隐患会编造从未存在的结构。Atlas 的处理是不把二者混为一谈——用户通过给多少输入图显式选择想象还是忠实官方称 2–3 张已能忠实重建超过 100 张可还原真实环境。这是个聪明的产品化设计把难以量化的内在属性转成用户可操作的旋钮。官方给的渐进例子印证了这点一张花园照片 → 补出整个场景但其余靠想象加一张小屋 → 两者都对左侧房屋仍是想象再加主屋 → 整个场景才准确。显式 3D 输出路径Atlas 原生同时操作 2D 图像帧与 3D 深度图因此能输出点云或 3DGS。官方对这个转换的判断是点云估计的是场景的几何但 3D 高斯泼溅才让它可用。理由是 splat 能在设备端以高分辨率、高帧率渲染。更关键的是——这与 Marble 使用同一表示Atlas 因此能自然融入其产品线典型的表示统一带来产品协同。4.3 时空仿真Space-Time Simulation子任务输入能力视频重构Reframing最少 3 台相机冻结时间、重构镜头从不可能的角度观看事件机器人导航仿真手机视频每场景 24 帧重建空间 生成机器人机身相机沿任意路径的 RGB 与深度机器人操作仿真少量随手拍摄重建刚体 / 铰接体 / 可形变物体的物理交互子弹时间的工程含义值得强调这些镜头没有专业摄影师或专用设备只是几位工程师用普通手机加三脚架、能塞进背包的夹具拍的。传统上这类多视角特效需要昂贵的专业捕获棚。把捕获成本从专业影棚压到背包是重建精度提升带来的直接产业影响。机器人仿真部分的一句话点出了关键世界与机器人对世界的视角来自同一个模型。这就是 R2S2R 里Real-to-Sim 只是工作的一半的含义——除了重建空间还要合成传感器在这些空间中会看到什么。二者同源才能保证一致性分两个系统做微小偏差会累积成策略迁移时的失败。4.4 图像生成顺带能力官方明说这不是主攻方向但它顺带具备跟随复杂提示词、渲染文字、多样风格并能生成360 全景图。实际意义是全息模型的副产品已能打平图像生成模型印证统一架构划算。五、实验数据与证据等级本节全部数据为 World Labs 自报无第三方复现。5.1 相机控制生成人类偏好协议单张输入图 1–3 段电影式相机运动pan / truck / crane 等。Atlas 用原生相机输入格式编码路径其他模型不接受相机作为原生输入只能在文本提示词中用标准电影术语描述。第三方人类评分者判断谁更好地跟随了目标路径。对比模型选择 Atlas 的评委比例MiniMax H375%Gemini Omni Flash81%Happy Horse 1.186%FLUX 393%Seedance 2.594%这组数字必须加限定才能读。官方自己承认“更精细的提示词工程可能改善某些模型的相机跟随能力。” 即这个对比对 Atlas 是不公平地有利的——对手被限制在文本接口而文本描述三维轨迹的信息损失本来就大。因此准确解读是原生几何输入 vs 文本描述相机的接口差距而非纯能力差距。官方也指出这个优势随轨迹变复杂而增大——这比绝对百分比更可信。5.2 3D 重建稀疏视角点图误差任务给定一组图像及其相机位姿预测每个输入像素对应的 3D 点。指标为逐数据集平均绝对相对点图误差AbsRel ×10⁻³越低越好。官方称对所有基线复现了结果以保证协议一致。数据集AtlasPi3X (posed)π³VGGT-Ω 1BDepth Anything 3MapAnything平均8.611.116.29.711.918.2DTU9.318.725.411.423.834.8ETH3D60.060.274.8101.493.3115.3KITTI6.513.317.510.511.320.2NRGBD37.839.344.445.250.847.47-Scenes42.442.447.040.255.160.8图 2把官方横向对比表拆成逐数据集条形图 读数说明。重点看 7-Scenes 一行——Atlas 的 42.4 输给 VGGT-Ω 1B 的 40.2这是 “outperforms” 需要加限定语的地方另注意相机控制那组 75%–94% 的基准并不对等。来源数据取自 World Labs 官方博客图表为本文重绘。必须诚实指出三点Atlas 并非全面领先。在7-Scenes上VGGT-Ω 1B 的40.2 优于 Atlas 的 42.4。也就是说在至少一个数据集的绝对指标上专用模型仍然赢。ETH3D 上差距极小60.0 vs 60.2实质打平。官方博文的图表在TT 与 ScanNet 两行给出了完全相同的六个数12.4 / 15.7 / 17.4 / 36.6 / 29.0 / 37.0这明显是渲染或标注问题存在解析歧义——引用时应以平均 8.6、领先次优 9.7这一口径为准不要逐行搬运。因此Atlas 在重建上击败专用模型的准确版本是多数数据集上以较小边际领先、个别数据集上落后但它是用同一个通用模型做到的。通用性没有牺牲专精度——这才是真正的结论。5.3 明显的证据缺口上面所有指标里只有几何和主观偏好点图误差是几何指标人类偏好是主观指标。而 World Labs 自己在分类学里把仿真器定义为优化结构与物理忠实度——即 Atlas 自我定位中最核心的能力接触、摩擦、形变、铰接约束公开材料里一个量化数字都没有。R2S2R 的博客写得很有说服力“零真机训练数据学会复杂操作任务”但同样没有成功率表格。这是目前评估 Atlas 的最大空白。六、模型特点清单#特点对使用者的实际含义1相机位姿是原生输入可控性来自几何参数而非提示词迭代可编程、可复现、可批量化2空间上下文可编排参考图按 3D 位置摆放即构成控制多图融合有明确空间语义3输入越多越少想象忠实度-想象力是由输入数量调节的旋钮不是模型固有属性4单模型覆盖生成重建仿真消除多模型拼接的一致性问题世界与观测同源5原生输出显式 3D点云 / 3DGS 可直接进渲染与仿真管线与 Marble 共用同一表示6继承 LLM 服务栈KV-cache、分离式服务可直接复用推理优化不从零开始7明确的分类学边界只做 renderer ↔ simulator不做 planner机器人策略仍需外部方案8从零预训练 可缩放不是微调拼装官方声称能力随算力层级跃升9当前仅早期访问只对 select partners 开放无公开 API 与定价6.1 与 Marble、RTFM 的路线衔接Atlas不是Marble 的替代品而是底座它将驱动 Marble 及其余产品连接点是3D 高斯泼溅这一共享表示。更早的 RTFM2025-10-16是这条路线的验证步骤其context juggling机制与空间上下文一脉相承生成新帧时从已摆好位姿帧的空间记忆中检索相邻帧形成定制上下文——“模型在空间不同区域生成时使用不同的上下文帧”当时的目标是单张 H100 上实时运行。Atlas 把以位姿帧作为空间记忆放大成了完整的上下文管理范式从检索相邻帧升级为主动在 3D 空间中摆布上下文元素。RTFM 2025-10context juggling检索相邻位姿帧Marble 2025-113DGS 碰撞网格Spark 渲染器3D as Code 2026-03方法论确立状态必须外化SceniX 2026-07R2S2R 引擎虚拟→物理Atlas 2026-09空间上下文范式统一生成/重建/仿真上图从 RTFM 到 Atlas 的技术演进链。关键看空间记忆如何从工程技巧检索相邻帧演变为架构范式主动编排空间上下文。七、局限与待观察项证据等级单一全部数字来自厂商无第三方复现。相机对比可比性存疑对手被限制在文本描述路径比较不完全公平。重建并非全面领先7-Scenes 上落后于 VGGT-Ω 1B。不覆盖 planner 且物理忠实度未量化决定机器人该做什么仍是外部问题而公开指标里一个物理正确性数字都没有——这恰好落在其自我定位的核心能力上。想象 vs 忠实边界不可精确控制只能靠输入图数量粗调缺少逐区域显式约束。门槛与未知项从零预训练的 omni 模型 仅早期访问中小团队短期无法参与超出上下文窗口后的长视频空间一致性如何退化官方亦未披露。小结World Labs 的路线选择有一以贯之的内在逻辑值得单独拎出来分歧点从来不是做不做视频生成而是状态放不放在模型外面。把状态外化成结构化 3D 表示得到一个可检查、可编辑、可版本化的中间产物——这与把逻辑写成代码而不是让模型模拟程序是同一条推理。《3D as Code》是纲领Marble 是第一次产品化Atlas 是架构化。而 SceniX 收购与 R2S2R则把这条推理从虚拟世界的可操作性推到物理世界的可训练性。从这个角度看Atlas 博客里最值得记住的不是 8.6 也不是 94%而是那一句世界与机器人对世界的视角来自同一个模型。它把世界模型和感知模型合并成一个东西。这既是最有野心的部分也是验证成本最高的部分——一旦合并仿真里的一点几何偏差就会变成策略迁移时的失败而这类失效恰恰要真机实验才能暴露。我的判断在第三方独立复现之前Atlas 是一份论证充分、证据单一的技术路线宣言而不是一组可引用的 SOTA 数字。它真正提出的问题不是能不能生成——那在 2026 年已经解决——而是**“生成出来的东西能不能被下游系统消费”**。这个问题整个行业都还没有答案。参考来源World Labs Blog —Atlas: A World Model for Spatial Intelligence2026-09-01World Labs Blog —A Functional Taxonomy of World Models/3D as Code2026-03-03 /Building Worlds That Train Robots2026-07-28World Labs Blog —RTFM2025-10-16 /Marble2025-11-12TED 2024 — Fei-Fei Li,With spatial intelligence, AI will understand the real world 【Atlas】世界模型的架构级分水岭：空间上下文机制与全息模型实现原理深度解析
摘要Atlas 是 World Labs 于 2026 年 9 月发布的全息世界模型一个从零预训练的多模态自回归扩散 Transformer。它的技术分水岭不在骨干网络而在于把文本、图像、相机位姿、3D 深度图统一接地到 3D 空间位置构成空间上下文使生成从采样问题变成编排问题。本文拆解其四词架构定义、空间上下文机制、四类任务族的实现细节与缩放逻辑并对全部厂商自报指标做证据等级标注。官方博客Atlas: A World Model for Spatial Intelligence相关发布A Functional Taxonomy of World Models · 3D as Code · Building Worlds That Train Robots一、先划清证据边界写这篇之前必须先说清楚一件事Atlas 发布于 2026 年 9 月 1 日晚于我的知识截止时间2025 年 5 月。这意味着本文中所有关于 Atlas 的架构描述、能力声明、实验数字都属于转述 World Labs 官方博客的自述未经第三方独立复现。文中凡涉及具体指标处都会标注「厂商自报」。这不是免责套话世界模型赛道目前缺少第三方评测基础设施——没有统一 benchmark、没有公开 API 可供复现。2025 年 5 月前已确立的事实World Labs 团队构成、选 3DGS 而非 NeRF 的路线、Real-to-Sim-to-Real 管线可以当作结论讨论而 Atlas 自身的一切只能读作一份论证严密的技术路线宣言。二、问题背景为什么像素级世界模型不够World Labs 在《3D as Code》一文中给出了他们全部技术选型的出发点。这段论证是整个路线的地基值得完整理解——它解释了 Atlas 为什么不是给视频模型加个相机接口。核心类比把3D 表示类比成代码。代码能成为通用接口靠两条性质人机之间AI 生成的代码人类可以看、可以改、可以调试、可以接入更大系统机器之间代码可接编译器、运行时、API、既有软件基础设施。底层属性是同一个——状态的外化externalization of state into structured artifacts。反例的论证相当精妙。你可以直接叫 LLM 输出一百万个排好序的数字——模型能在 token 流里试图模拟排序。但没人会这么用因为代码执行提供了原始推理不具备的保证可复现执行、人类可读、模块可组合。代码可被存储、版本化、测试独立于模型转瞬即逝的上下文窗口把推理、表示、执行三者分开。对应到空间系统让 LLM 当程序本身的做法就是丢掉结构化世界表示与仿真引擎依赖黑盒的状态-观测纠缠即逐帧查询的动作条件像素/状态生成模型。官方原话这类模型在其核心任务上可能极其出色但它们缺少可操作的结构输出无法被检查、编辑、共享例如多人的共享体验或机器人与机器人之间的共享意图与状态也无法接入既有的仿真与控制系统。这段话是理解 Atlas 定位的钥匙它要产出的不是一段好看的视频而是能被下游消费的结构化空间状态。2.1 功能分类学Renderer / Simulator / Planner要定位 Atlas需要先看 World Labs 提出的世界模型功能分类类别输出优化目标Renderer渲染器像素视觉逼真度Simulator仿真器状态结构与物理忠实度Planner规划器动作任务成功率其核心论点是几何、物理、动力学这些世界如何运作的知识是三者共享的底层而仿真器是关键枢纽——它把一个世界变成智能体可以行动、学习、被评估的场所。Atlas 定位在renderer ↔ simulator 之间明确不触碰 planner。这与 Marble 已从单一模型同时输出高斯泼溅和碰撞网格、消解渲染器与仿真器边界是同一条路线的延伸。三、Atlas 实现原理3.1 架构定义四个词Atlas 的官方架构定义原文只有一句Atlas is amultimodal autoregressive diffusion transformer. Its inputs are grounded in 3D space to form aspatial context, and it generates multimodal outputs conditioned on its context.拆成四个词逐个看词含义设计动机Multimodal原生处理文本、图像、相机位姿、3D 深度图视频表示为图像序列。每张图与深度图都条件于显式相机位姿让空间控制成为架构中心组件而非外挂模块Autoregressive在元素序列上工作每个元素是上述类型之一逐个生成每个输出条件于序列中更早的部分任务只需表达成不同种类的序列输入在前、输出在后Diffusion整流流模型rectified flow逐步去噪生成擅长高维连续数据可通过改变去噪步数在速度与质量间取舍Transformer大量矩阵乘法适配现代硬件的稳健骨干关键信息在紧接着的一句里这些目标要求他们脱离 LLM 和视频模型各自的标准架构设计全新的基础架构。也就是说Atlas 不是给视频扩散模型接上相机参数而是从骨干层重新设计。过去两年多数可控生成工作走外挂条件路径ControlNet 式而 Atlas 把几何做进了骨干的原生输入模态。3.2 空间上下文Spatial Context最核心的机制这是 Atlas 与文生视频模型的根本分野类似 LLMAtlas 先把输入编码成一个上下文再基于上下文生成输出。但 Atlas 的独特之处在于每张图像都被接地grounded到空间中的一个 3D 位置这构成了空间上下文。管理这个空间上下文解锁了两类全新的控制方式1无关图像的空间缝合。把两张无关参考图放进上下文并在 3D 中定位Atlas 会生成在两者之间平滑插值的世界自己想象出门洞、走廊、壁龛等过渡结构。说服力在于过渡结构不在任何输入里是世界知识被空间约束激发出来的产物。2长视频的精确编排。相机运动 空间上下文管理可以生成长视频并控制每一个镜头。官方对此的表述值得原文引用这把你放进导演椅你是在调度场景而不是在拉老虎机的拉杆。you are staging the scene, not pulling the lever of a slot machine从工程语言学角度这句话的实质是把生成从采样问题转化为编排问题——可控性的来源不再是提示词工程而是显式几何。图 1五种原生输入模态经空间上下文汇聚到自回归扩散 Transformer再分派到四类任务族。重点看中间区块LLM 的上下文是 token 序列Atlas 的上下文是「被放进 3D 空间某坐标的观测集合」——位置本身即控制接口。来源据 World Labs 官方博客披露内容重绘。3.3 推理基础设施可复用Atlas 被定位为现代 LLM 与现代视频模型思想的混合体因此能继承两条技术线的工程红利来源可复用技术LLM 路线KV-caching、cache-aware routing、disaggregated serving分离式服务等推理服务加速手段视频模型路线latent diffusion、扩散蒸馏diffusion distillation、classifier-free guidance、shifted noise schedules、VAE 设计进展这是个务实的判断世界模型不必重新发明推理基础设施。自回归骨干与 LLM 同构可直接吃 LLM 服务栈的优化积累——推理成本曲线不会像传统 3D 重建管线那样从零开始。3.4 缩放与训练Atlas从零预训练pretrained from scratch语料为大规模多模态数据开发中训练了一系列规模与算力递增的模型结论是**“每一级新的算力都解锁了新的模型能力”**并相信该趋势继续放大后依然成立。官方用了 “strong evidence” 这个措辞。注意它指的是能力层级跃升capability emergence不是连续指标的可预测提升——两者证据强度差别很大。四、四类任务族与实现细节4.1 相机控制生成Camera-Controlled Generation项内容输入1–6 张参考图 手工设计的相机路径原生相机几何输入输出最长1 分钟、1440p视频机制在指定相机位姿生成新视图内容与几何匹配输入图平滑外推想象未见部分官方的例子很有说明性从单张图出发Atlas 生成了机器人的背面并猜测泳池旁边应该有一片草坪。这说明外推不是纹理延展而是调用世界知识做几何合理推断——这正是生成式重建区别于传统多视图立体的地方。“Pixel-Perfect Camera Control” 的取舍在基准测试中带来了巨大数字优势但那个数字需要审慎解读见第五节。4.2 空间重建Spatial Reconstruction项内容输入1 张到 100 张图像输出新视角帧 显式 3D点云、3D 高斯泼溅机制同时生成新视图并估计几何视频输入时预测每帧深度再合并为 3D 重建定位朝向稀疏输入的新视角合成——3D 视觉的老问题这里有个洞察值得拎出来给 Atlas 的输入图像越多它就想象得越少。the more it sees, the less it imagines这暴露了生成式重建的本质张力模型的世界知识既是补全缺失区域的能力来源也是忠实度的风险来源。同一个能力稀疏输入时是优势高保真重建需求下是隐患会编造从未存在的结构。Atlas 的处理是不把二者混为一谈——用户通过给多少输入图显式选择想象还是忠实官方称 2–3 张已能忠实重建超过 100 张可还原真实环境。这是个聪明的产品化设计把难以量化的内在属性转成用户可操作的旋钮。官方给的渐进例子印证了这点一张花园照片 → 补出整个场景但其余靠想象加一张小屋 → 两者都对左侧房屋仍是想象再加主屋 → 整个场景才准确。显式 3D 输出路径Atlas 原生同时操作 2D 图像帧与 3D 深度图因此能输出点云或 3DGS。官方对这个转换的判断是点云估计的是场景的几何但 3D 高斯泼溅才让它可用。理由是 splat 能在设备端以高分辨率、高帧率渲染。更关键的是——这与 Marble 使用同一表示Atlas 因此能自然融入其产品线典型的表示统一带来产品协同。4.3 时空仿真Space-Time Simulation子任务输入能力视频重构Reframing最少 3 台相机冻结时间、重构镜头从不可能的角度观看事件机器人导航仿真手机视频每场景 24 帧重建空间 生成机器人机身相机沿任意路径的 RGB 与深度机器人操作仿真少量随手拍摄重建刚体 / 铰接体 / 可形变物体的物理交互子弹时间的工程含义值得强调这些镜头没有专业摄影师或专用设备只是几位工程师用普通手机加三脚架、能塞进背包的夹具拍的。传统上这类多视角特效需要昂贵的专业捕获棚。把捕获成本从专业影棚压到背包是重建精度提升带来的直接产业影响。机器人仿真部分的一句话点出了关键世界与机器人对世界的视角来自同一个模型。这就是 R2S2R 里Real-to-Sim 只是工作的一半的含义——除了重建空间还要合成传感器在这些空间中会看到什么。二者同源才能保证一致性分两个系统做微小偏差会累积成策略迁移时的失败。4.4 图像生成顺带能力官方明说这不是主攻方向但它顺带具备跟随复杂提示词、渲染文字、多样风格并能生成360 全景图。实际意义是全息模型的副产品已能打平图像生成模型印证统一架构划算。五、实验数据与证据等级本节全部数据为 World Labs 自报无第三方复现。5.1 相机控制生成人类偏好协议单张输入图 1–3 段电影式相机运动pan / truck / crane 等。Atlas 用原生相机输入格式编码路径其他模型不接受相机作为原生输入只能在文本提示词中用标准电影术语描述。第三方人类评分者判断谁更好地跟随了目标路径。对比模型选择 Atlas 的评委比例MiniMax H375%Gemini Omni Flash81%Happy Horse 1.186%FLUX 393%Seedance 2.594%这组数字必须加限定才能读。官方自己承认“更精细的提示词工程可能改善某些模型的相机跟随能力。” 即这个对比对 Atlas 是不公平地有利的——对手被限制在文本接口而文本描述三维轨迹的信息损失本来就大。因此准确解读是原生几何输入 vs 文本描述相机的接口差距而非纯能力差距。官方也指出这个优势随轨迹变复杂而增大——这比绝对百分比更可信。5.2 3D 重建稀疏视角点图误差任务给定一组图像及其相机位姿预测每个输入像素对应的 3D 点。指标为逐数据集平均绝对相对点图误差AbsRel ×10⁻³越低越好。官方称对所有基线复现了结果以保证协议一致。数据集AtlasPi3X (posed)π³VGGT-Ω 1BDepth Anything 3MapAnything平均8.611.116.29.711.918.2DTU9.318.725.411.423.834.8ETH3D60.060.274.8101.493.3115.3KITTI6.513.317.510.511.320.2NRGBD37.839.344.445.250.847.47-Scenes42.442.447.040.255.160.8图 2把官方横向对比表拆成逐数据集条形图 读数说明。重点看 7-Scenes 一行——Atlas 的 42.4 输给 VGGT-Ω 1B 的 40.2这是 “outperforms” 需要加限定语的地方另注意相机控制那组 75%–94% 的基准并不对等。来源数据取自 World Labs 官方博客图表为本文重绘。必须诚实指出三点Atlas 并非全面领先。在7-Scenes上VGGT-Ω 1B 的40.2 优于 Atlas 的 42.4。也就是说在至少一个数据集的绝对指标上专用模型仍然赢。ETH3D 上差距极小60.0 vs 60.2实质打平。官方博文的图表在TT 与 ScanNet 两行给出了完全相同的六个数12.4 / 15.7 / 17.4 / 36.6 / 29.0 / 37.0这明显是渲染或标注问题存在解析歧义——引用时应以平均 8.6、领先次优 9.7这一口径为准不要逐行搬运。因此Atlas 在重建上击败专用模型的准确版本是多数数据集上以较小边际领先、个别数据集上落后但它是用同一个通用模型做到的。通用性没有牺牲专精度——这才是真正的结论。5.3 明显的证据缺口上面所有指标里只有几何和主观偏好点图误差是几何指标人类偏好是主观指标。而 World Labs 自己在分类学里把仿真器定义为优化结构与物理忠实度——即 Atlas 自我定位中最核心的能力接触、摩擦、形变、铰接约束公开材料里一个量化数字都没有。R2S2R 的博客写得很有说服力“零真机训练数据学会复杂操作任务”但同样没有成功率表格。这是目前评估 Atlas 的最大空白。六、模型特点清单#特点对使用者的实际含义1相机位姿是原生输入可控性来自几何参数而非提示词迭代可编程、可复现、可批量化2空间上下文可编排参考图按 3D 位置摆放即构成控制多图融合有明确空间语义3输入越多越少想象忠实度-想象力是由输入数量调节的旋钮不是模型固有属性4单模型覆盖生成重建仿真消除多模型拼接的一致性问题世界与观测同源5原生输出显式 3D点云 / 3DGS 可直接进渲染与仿真管线与 Marble 共用同一表示6继承 LLM 服务栈KV-cache、分离式服务可直接复用推理优化不从零开始7明确的分类学边界只做 renderer ↔ simulator不做 planner机器人策略仍需外部方案8从零预训练 可缩放不是微调拼装官方声称能力随算力层级跃升9当前仅早期访问只对 select partners 开放无公开 API 与定价6.1 与 Marble、RTFM 的路线衔接Atlas不是Marble 的替代品而是底座它将驱动 Marble 及其余产品连接点是3D 高斯泼溅这一共享表示。更早的 RTFM2025-10-16是这条路线的验证步骤其context juggling机制与空间上下文一脉相承生成新帧时从已摆好位姿帧的空间记忆中检索相邻帧形成定制上下文——“模型在空间不同区域生成时使用不同的上下文帧”当时的目标是单张 H100 上实时运行。Atlas 把以位姿帧作为空间记忆放大成了完整的上下文管理范式从检索相邻帧升级为主动在 3D 空间中摆布上下文元素。RTFM 2025-10context juggling检索相邻位姿帧Marble 2025-113DGS 碰撞网格Spark 渲染器3D as Code 2026-03方法论确立状态必须外化SceniX 2026-07R2S2R 引擎虚拟→物理Atlas 2026-09空间上下文范式统一生成/重建/仿真上图从 RTFM 到 Atlas 的技术演进链。关键看空间记忆如何从工程技巧检索相邻帧演变为架构范式主动编排空间上下文。七、局限与待观察项证据等级单一全部数字来自厂商无第三方复现。相机对比可比性存疑对手被限制在文本描述路径比较不完全公平。重建并非全面领先7-Scenes 上落后于 VGGT-Ω 1B。不覆盖 planner 且物理忠实度未量化决定机器人该做什么仍是外部问题而公开指标里一个物理正确性数字都没有——这恰好落在其自我定位的核心能力上。想象 vs 忠实边界不可精确控制只能靠输入图数量粗调缺少逐区域显式约束。门槛与未知项从零预训练的 omni 模型 仅早期访问中小团队短期无法参与超出上下文窗口后的长视频空间一致性如何退化官方亦未披露。小结World Labs 的路线选择有一以贯之的内在逻辑值得单独拎出来分歧点从来不是做不做视频生成而是状态放不放在模型外面。把状态外化成结构化 3D 表示得到一个可检查、可编辑、可版本化的中间产物——这与把逻辑写成代码而不是让模型模拟程序是同一条推理。《3D as Code》是纲领Marble 是第一次产品化Atlas 是架构化。而 SceniX 收购与 R2S2R则把这条推理从虚拟世界的可操作性推到物理世界的可训练性。从这个角度看Atlas 博客里最值得记住的不是 8.6 也不是 94%而是那一句世界与机器人对世界的视角来自同一个模型。它把世界模型和感知模型合并成一个东西。这既是最有野心的部分也是验证成本最高的部分——一旦合并仿真里的一点几何偏差就会变成策略迁移时的失败而这类失效恰恰要真机实验才能暴露。我的判断在第三方独立复现之前Atlas 是一份论证充分、证据单一的技术路线宣言而不是一组可引用的 SOTA 数字。它真正提出的问题不是能不能生成——那在 2026 年已经解决——而是**“生成出来的东西能不能被下游系统消费”**。这个问题整个行业都还没有答案。参考来源World Labs Blog —Atlas: A World Model for Spatial Intelligence2026-09-01World Labs Blog —A Functional Taxonomy of World Models/3D as Code2026-03-03 /Building Worlds That Train Robots2026-07-28World Labs Blog —RTFM2025-10-16 /Marble2025-11-12TED 2024 — Fei-Fei Li,With spatial intelligence, AI will understand the real world