World Labs Atlas 以共享空間上下文統合影片生成與 3D 重建

World Labs 公布 Atlas，一個從零預訓練的多模態自回歸擴散 Transformer。它將文字、影像、相機姿態與 3D 深度圖組成共享的「空間上下文」，影片則視為影像序列；模型依序生成下一個元素，而不是只在文字提示中猜測攝影機如何移動。這使鏡頭位置與方向成為原生條件，也把受控影片生成和場景重建放進同一架構。

Atlas 同時借用兩類推論技術：自回歸部分可望使用 KV cache、快取感知路由與分離式服務，潛在擴散部分則可採蒸餾、classifier-free guidance、噪音排程及 VAE 改進。輸出不只包含 2D 畫面；模型能估計逐幀深度，產生點雲，再補全未觀測區域並轉成可於裝置端渲染的 3D Gaussian splat。輸入影像愈少，結果中的生成性推測愈多；增加觀測視角則可逐步用真實資料約束幾何。

World Labs 表示，Atlas 用兩三張影像即可完成可用重建，也能接收逾百張影像。其自行重跑的七項稀疏視角重建評測中，平均 AbsRel 誤差為 25.3×10⁻³，低於 Pi3X 的 28.7×10⁻³及其他公開基線。第三方評審在鏡頭控制生成比較中也多數偏好 Atlas，但測試並非完全對稱：Atlas取得原生相機軌跡，其他影片模型只收到描述運鏡的文字提示，因此結果較能證明介面與模型共同帶來的控制優勢，不能直接視為整體畫質排名。

這項架構對 VFX、遊戲資產、數位分身及機器人 real-to-sim 流程具有潛力，因為同一空間狀態可服務生成與顯式幾何輸出。然而發布內容沒有技術論文、訓練資料、參數量、延遲、價格或可重現程式碼；所謂「模擬」亦尚未以物體持久性、碰撞、因果或長時間物理一致性基準證實。Atlas目前只向少數合作夥伴開放，下一個關鍵訊號將是獨立重建評測、動態場景失敗率，以及能否真正改善機器人策略訓練。