Atlas 世界模型是什么？李飞飞新作四大能力解读（2026）

最后更新：2026 年 9 月 2 日 作者：AI345 AI 指南编辑部 ｜ 本文基于 World Labs 官方博客 与 Hacker News 项目团队答疑 整理，配图来自官方博客

2026 年 9 月 1 日，李飞飞联合创办的 World Labs 正式发布新一代多模态世界模型 Atlas。一句话说清它是什么：Atlas 是一个从零开始预训练的"全模态"（omni）基础模型，原生支持文本、图像、视频、3D 四种模态的输入与输出——凭 1 张照片就能重建可任意角度漫游的 3D 场景，也能生成长达 1 分钟、1440p 分辨率、相机完全可控的视频。

30 秒速览本文要点：

• Atlas 是什么：多模态自回归扩散 Transformer，把所有输入融合进统一的"空间上下文"（spatial context）
• 四大核心能力：相机可控生成、空间重建、时空仿真、图像生成
• 与 Google Genie 3 的关键差异：输入的是相机位姿而非键盘指令，且可输出显式 3D
• 使用方式：目前需申请 early access，未来将驱动 Marble 产品更新
• 适合谁：影视预演、游戏开发、VR 展厅、建筑可视化、机器人仿真从业者

Atlas 是什么：把 3D 空间装进模型上下文

World Labs 是李飞飞在斯坦福"AI 教母"身份之外创办的空间智能公司，旗舰产品 Marble 已于 2025 年 11 月上线。而 Atlas 是这家公司的新一代世界模型——官方对它的定义是：能够生成、重建和仿真"任何可能世界"的通用模型。

技术上，Atlas 是一个多模态自回归扩散 Transformer。可以类比 LLM 的工作方式：先把输入编码成上下文，再基于上下文生成后续内容。区别在于，Atlas 的每张输入图像都被"锚定"在 3D 空间的具体位置上，共同构成一个空间上下文——这就是它能保持 3D 一致性的核心原因。

Atlas 项目负责人在 Hacker News 答疑时补充：即使不依赖显式的点云或 3D 高斯泼溅表示，模型在相机移动时也能保持场景一致；需要接游戏引擎、仿真器时，它也可以输出显式 3D。

Atlas 四大核心能力详解

相机可控生成：1 张图，1 分钟 1440p 视频

Atlas 把精确的相机几何参数当作"原生输入类型"，而不像多数视频模型那样靠文字描述相机运动。你给 1 张照片并设计好相机路径，它就能生成完整场景——包括照片里看不到的部分。比如官方示例里，输入一张机器人摆件的正面照，Atlas 能"猜"出它的背面和旁边的草坪。

更实用的是空间上下文编辑：把两张毫不相关的参考图放进 3D 空间的不同位置，Atlas 会自动生成中间的过渡世界。官方演示了"车站走廊"和"宴会厅"两张图，模型自行脑补出了连接两者的门厅和走廊。设计长视频时，你相当于坐在导演椅上——每一段运镜、每一个机位都由你决定，而不是拉一次"老虎机摇杆"碰运气。

空间重建：几张手机照片，重建真实 3D 场景

这是对普通用户最" wow "的能力：不需要激光扫描仪，不需要几百张密集拍摄，2–3 张照片就能得到相当忠实的重建结果，官方称其超过专门做 3D 重建的 SOTA 模型。上下文最多可容纳上百张输入图——照片越多，模型"想象"的成分越少。

一个有意思的官方示例是用李飞飞自家的花园照片逐步重建：1 张图时只有花园是真实的；加上第 2 张小屋照片，小屋也精确还原；第 3 张加入主屋后，整个场景完整重建，甚至能生成从空中俯瞰的航拍视角。

Hacker News 上的第一热评也印证了实用性："看起来用手机拍十来张照片，就能以相当高的保真度重建整个家。"项目团队确认：只要输入照片有重叠视野（能预测出相对位姿），就能重建；也可以手动摆放照片在 3D 空间中的位置来创作场景。

时空仿真：机器人训练的"数据工厂"

Atlas 能从输入视频学习空间和时间规律，支持把一段视频"重定向"成戏剧化效果，更重要的用途是 Real-to-Sim 工作流：从真实场景重建模拟环境，虚拟机器人在其中移动时，Atlas 直接生成它的传感器会看到的 RGB 和深度数据。世界和机器人的视角来自同一个模型，这对机器人行业最头疼的"数据飞轮"问题是实打实的加速。

图像生成：360° 全景与复杂文字渲染

Atlas 还能纯靠文本生成图像，支持复杂提示词跟随、文字渲染，以及 360° 全景图——后者可以直接喂给 VR 头显或做虚拟展厅。

Atlas 和 Google Genie 3 有什么区别？

"世界模型"这个词最近很热，Google 的 Genie 3、李飞飞的 Atlas 常被放在一起比较。World Labs 联合创始人 Justin Johnson（HN 用户 jcjohns）在发布当天的答疑中给出了关键差异：

Justin 的原话要点：Genie 3 输入原始键盘命令，没有 3D 概念，除输入图和文字外没有其他控制生成世界的方式；Atlas 把相机位姿做成显式输入，配合"上下文编排"（context juggling），理论上可以通过巧妙的上下文管理"构建整个世界的 3D 模型"。

需要注意的是，两者都还没解决时间维度：有用户指出 Atlas 视频里相机移动时时间像是"冻结"的。Justin 承认这是改进方向——目前能处理部分动态（行驶的车、波浪），但物理与时间的完整建模是下一步。

Atlas 怎么用？目前的使用方式与门槛

发布当天大家最关心的实际问题是：怎么才能用上？ 现状如下：

1. 申请 early access：官方博客提供了申请表单入口，模型尚未公开开放。
2. Marble：World Labs 现有产品已上线（marble.worldlabs.ai），普通用户现在就能生成可漫游的 3D 世界；官方明确 Atlas 将驱动 Marble 的后续版本。
3. World API：2026 年 1 月已向开发者开放（platform.worldlabs.ai），Atlas 的 API 接入预计随后跟进。

关于生成速度，Atlas 项目负责人在 HN 回答得很坦诚：耗时取决于扩散步数、上下文大小、图像分辨率和推理设备等多个"旋钮"，官方没有给出固定数字；理想工作流是"半交互快速迭代 + 离线精修出片"。定价信息也尚未公布，想跟进的团队建议直接关注官方博客。

对谁有用：五个最先落地的场景

• 影视/动画：动态分镜与预演（previz），单图生成可控运镜的 1 分钟片段
• 游戏开发：从概念图直接产出可接入游戏引擎的 3D 场景与素材
• VR/虚拟展厅：手机拍几张照片即可数字化真实空间，博物馆、文旅已有团队在申请接入
• 建筑设计：单张效果图外推出任意角度的完整场景漫游
• 机器人公司：Real-to-Sim 仿真数据生成，降低真实世界采集成本

如果你在找当下就能上手的 AI 3D、视频工具，可以先逛逛 AI345 AI 工具导航，我们会持续收录 Atlas 及同类世界模型工具的最新进展。

总结

Atlas 的意义不在"又一个能生成视频的模型"，而在于它把3D 一致性和相机精确控制做成了世界模型的原生能力，并打通了生成、重建、仿真三类任务。当 OpenAI、Anthropic 还在语言智能上内卷时，李飞飞团队正在抢占空间智能的下一张牌桌——从 Marble 到 World API 再到 Atlas，"世界模型从概念验证走向产品化"的路径已经清晰。

想第一时间获取这类前沿 AI 动态的实操解读，欢迎注册 AI345，或在 AI 指南栏目查看更多深度内容。

参考来源：

1. World Labs 官方博客：Atlas: A World Model for Spatial Intelligence（2026-09-01）
2. Hacker News 讨论：Atlas: A World Model for Spatial Intelligence（含 World Labs 联合创始人及 Atlas 项目负责人答疑）
3. World Labs 产品入口：Marble / World API