World Labs представила Atlas — world model с общим пространственным контекстом

Одна модель для генерации, реконструкции и симуляции

World Labs представила Atlas — новое поколение world model, которое компания предварительно обучила с нуля для работы с текстом, изображениями, видео и 3D. Система должна решать задачи, которые обычно разделены между генераторами видео, моделями novel-view synthesis и инструментами пространственной реконструкции: создавать мир, достраивать его по наблюдениям и моделировать изменение сцены во времени.

Архитектурно Atlas описан как multimodal autoregressive diffusion transformer. Все входы собираются в общий spatial context: изображение или depth map привязаны к явной camera pose, а следующее представление генерируется с учётом уже увиденной геометрии. Это позволяет задавать не только текстовое содержание кадра, но и положение камеры — центральное управляющее измерение модели.

Камера становится нативным входом, а не строкой промпта

Atlas принимает от одного до шести reference images и вручную спроектированный путь камеры. World Labs заявляет генерацию видео продолжительностью до одной минуты в 1440p. Модель способна продолжить сцену за пределами видимого на исходном кадре: например, построить обратную сторону объекта или окружение, которого камера не зафиксировала. Такие области не восстанавливаются из фактов — модель правдоподобно их воображает.

Spatial context также позволяет расположить два несвязанных изображения в общей 3D-системе, после чего Atlas генерирует переход между ними — двери, коридоры и другие промежуточные пространства. Для режиссуры это даёт более точный контроль, чем просьба «сделай панораму» в тексте: camera geometry подаётся напрямую, а последовательность кадров строится относительно заданных позиций.

Количество наблюдений регулирует границу между фактом и догадкой

Для spatial reconstruction модель принимает от одного до десятков изображений одной сцены и выдаёт новые ракурсы. По описанию World Labs, двух или трёх снимков часто достаточно для faithful reconstruction, но система умеет использовать и более сотни входных изображений. Чем больше реальных видов получает Atlas, тем меньше пространства остаётся для правдоподобного, но не подтверждённого достраивания.

Это различие принципиально для практического использования. Один снимок может породить визуально цельный мир, однако скрытая сторона здания или предмета будет гипотезой модели. При добавлении новых фотографий spatial context уточняется и ограничивает генерацию. Поэтому Atlas можно применять и как творческий инструмент, и как реконструктор, но достоверность результата определяется покрытием исходной съёмки, а не одной только визуальной убедительностью.

На выходе доступны не только изображения

Atlas нативно работает с 2D-кадрами и 3D depth maps, благодаря чему может выдавать point clouds и 3D Gaussian splats. Из одного изображения модель совместно генерирует новые виды и оценивает их геометрию; из видео предсказывает глубину каждого кадра и объединяет наблюдения в реконструкцию. Gaussian splat затем превращает набор пространственных данных в представление, пригодное для высококачественного рендеринга на устройстве.

Такая форма выхода важна для игр, VFX, дизайна и робототехники: плоского видео недостаточно, если виртуальная камера должна свободно перемещаться или агенту требуется depth-сигнал. World Labs указывает, что то же представление используется в Marble, и планирует задействовать Atlas в будущих версиях продукта. Сейчас, однако, Atlas находится в early access у выбранных партнёров, а не в открытом общем доступе.

Real-to-Sim объединяет сцену и наблюдения робота

В режиме space-time simulation Atlas не только реконструирует статическое пространство, но и моделирует его развитие. Для навигации World Labs показывает окружения, собранные из видео со смартфона: модель строит 3D-сцену, а затем генерирует RGB и depth data, которые виртуальные камеры робота увидели бы на разных маршрутах. Мир и сенсорное наблюдение робота при этом происходят из одной модели.

Для manipulation задача сложнее, потому что нужно воспроизводить движение и взаимодействие rigid, articulated и deformable objects. Компания предлагает начинать с нескольких обычных записей, а затем варьировать предметы, их позиции, траекторию робота, освещение и фон. Такая схема обещает масштабируемые тренировочные и тестовые окружения, но опубликованные демонстрации ещё не доказывают перенос обученной политики на любой физический робот или сцену.

Опубликованные benchmark-результаты требуют аккуратного чтения

В camera-controlled generation сторонние оценщики выбирали, какая модель лучше следует заданному пути камеры. Atlas предпочли 75% участников в сравнении с MiniMax H3, 81% — с Gemini Omni Flash, 86% — с Happy Horse 1.1, 93% — с FLUX 3 и 94% — с Seedance 2.5. Для конкурентов путь описывался стандартными кинематографическими терминами в text prompt, поскольку они не принимали camera pose в нативном формате; World Labs прямо отмечает, что иные способы prompting могли бы улучшить их результат.

На семи наборах для sparse-view 3D reconstruction Atlas показал среднюю absolute-relative pointmap error 25,3 × 10⁻³ против 28,7 у ближайшего указанного baseline Pi3X (posed); меньшая ошибка считается лучшей. Компания сообщает, что воспроизвела результаты baseline-моделей по единому протоколу, но это всё равно benchmark авторов Atlas. До независимой проверки корректнее считать цифры свидетельством заявленного преимущества в конкретной процедуре, а не универсальным рейтингом качества world models.

Spatial context связывает разные классы продуктов

World Labs соединяет в одной последовательной архитектуре идеи LLM и latent diffusion. Autoregressive transformer генерирует элементы по одному и потенциально использует инфраструктурные оптимизации вроде KV-caching и cache-aware routing; rectified flow постепенно очищает непрерывные визуальные данные от шума. Текст, изображения, camera poses и depth maps становятся разными типами элементов одной multimodal-последовательности.

Стратегическая ставка состоит не в ещё одном генераторе красивых кадров, а в общей модели пространства, которую можно направить на видео, 3D-реконструкцию или симуляцию. Atlas пока предлагается ограниченному кругу партнёров, а заявления о масштабировании основаны на внутренних сериях обучения. Следующий важный тест — насколько единая архитектура сохранит пространственную согласованность, управляемость и физическую полезность вне отобранных демонстраций и авторских benchmarks.