World Labs 发布 Atlas：原生空间智能世界模型，相机可控生成最长约 1 分钟 1440p 视频

背景

2026 年 9 月 1 日，World Labs 发布空间智能模型 Atlas。它是一个多模态自回归扩散 Transformer，从零预训练，原生统一处理文本、图像、视频与 3D。与传统视频模型把提示「翻译成看起来合理的二维像素」不同，Atlas 把每张输入图锚定在三维空间的精确位置（带相机位姿与深度），以相机几何作为原生输入，让「镜头怎么走」由坐标直接指定而非文字祈祷。由此可产出最长约 1 分钟、最高 1440p 的视频，并在与专用视频基线的头对头评测中赢得 81–93% 的偏好；还支持从 1–数十张照片重建真实场景、生成 360 全景。英伟达机器人主管 Jim Fan 评价其为机器人领域 Real-to-Sim 的一大步。

核心要点

• World Labs 发布空间智能模型 Atlas
• 多模态自回归扩散 Transformer，原生 4 模态
• 相机位姿作原生输入，非文字描述
• 相机可控生成最长 ~1 分钟 1440p 视频
• 头对头偏好 81–93% 胜专用视频基线
• 应用：3D 世界/机器人 Real-to-Sim/可控视频

为什么重要

多模态从「文生视频」走向「空间智能」：能保持 3D 一致性的生成，是机器人仿真、游戏与 XR 的关键拼图；「世界模型」商业落点可能正是「模型骗不过去的判定器」。目前仅早期访问、无权重无 API。

关键事实速记

• 发布：2026-09-01/02
• 类型：空间智能世界模型
• 架构：自回归扩散 Transformer
• 视频：~1 分钟 / 1440p
• 偏好：81–93%
• 评价：Jim Fan 称 Real-to-Sim 一大步