World Labs 发布 Atlas 世界模型：几张照片重建 3D 世界，还能输出 3D 高斯泼溅
李飞飞创办的 World Labs 在 9 月 1 日正式发布了新一代世界模型 Atlas。用一句话概括：给它几张普通照片，它能重建出一个可以自由飞行视角的 3D 世界，还能按你设计的运镜路线拍出最长 1 分钟的 1440p 视频，甚至直接输出 3D 高斯泼溅（3DGS）格式的场景文件。本文基于官方博客与多家媒体转述整理。
这为什么是个大事
先说传统做法有多麻烦。想得到一个场景的 3D 模型，通常要么背上专业扫描设备，要么围着场景拍几百张照片再喂给重建软件。World Labs 官方给出的说法是：Atlas 用 2 到 3 张普通照片就能给出忠实的重建结果，而且效果超过了那些专门为 3D 重建训练的模型（SOTA）。如果你愿意多喂图，它的空间上下文最多能吃下 100 多张照片，把整个真实环境精确还原。
再说运镜。过去用视频生成模型，想控制镜头怎么动，基本靠在提示词里"许愿"——写"镜头缓慢左移并上升"，然后祈祷模型听懂。Atlas 的思路完全不同：相机位姿参数是它的原生输入。你想要什么角度、什么轨迹、什么速度，直接输入坐标就行，官方称之为像素级镜头控制。多家媒体在实测报道中都把这一点列为 Atlas 最直观的突破。
更难得的是，这三件事——生成、重建、模拟——是由同一个模型完成的。Atlas 从零开始预训练，原生处理文字、图像、视频、相机位姿和 3D 深度信息，架构上是多模态自回归扩散 Transformer，所有输入合并成一个共享的"空间上下文"，模型基于这个上下文续写接下来的画面，并保持 3D 一致性。
四大能力，逐个说人话
1. 相机控制生成。 给它 1 到 6 张参考照片，再设定一条相机路径，Atlas 就能生成最长 1 分钟、1440p 分辨率的视频，画面几何和原图保持一致。有个玩法很能体现它的"空间想象力"：把两张毫不相关的照片放进空间上下文，指定它们在 3D 空间中的位置，Atlas 会自己脑补出中间的门厅、走廊、角落，生成一个把两者自然衔接起来的世界。
2. 空间重建。 官方给了一个很直观的例子：拍斯坦福校园的主楼草坪，第 1 张照片只能看到花园，模型输出里也只有花园是"真的"，其余是想象；加上第 2 张隔壁小屋的照片，小屋就精确了；加上第 3 张主屋的照片，整个场景完全还原。它还能从平地照片出发，生成高空航拍视角的画面。重建结果可以输出成点云，也可以输出成 3D 高斯泼溅——后者正是目前网页端 3D 展示和游戏引擎最吃香的格式。
3. 时空模拟。 这一部分对视频工作者和机器人团队都实用。用 3 部普通手机加三脚架从不同角度拍同一段视频，Atlas 就能"冻结时间"，让你从任意刁钻角度重构画面——相当于把"子弹时间"拍摄棚装进了背包。官方特别说明，这些演示就是工程师用手机和夹在背包里的运动相机拍的，没有专业设备。机器人方向上，用 24 帧手机视频就能重建一个大空间，模拟机器人在里面走动时，模型同步生成它"看到"的 RGB 画面和深度数据，用于 Real-to-Sim 训练。
4. 文生图。 Atlas 也能从文字直接生成图像和 360 度全景图，支持复杂提示词，还能在图里正确渲染文字。
对谁有用
- 游戏和小世界创作者：几张照片变成可以在浏览器里探索的 3D 场景，输出 3DGS 直接进工作流。
- 视频和 VFX 从业者：不用租子弹时间摄影棚，几部手机就能实现多机位冻结时间重构图。
- 机器人团队：Real-to-Sim 流程里，扫描空间这一步从"专业设备"降级到"一部手机拍段视频"。
- 建筑、房产、电商展示：少量照片生成虚拟漫游，成本大幅下降。
先别急着高潮：限制与现状
媒体的实测报道和官方博客都承认了同一个问题：当相机进入原图没拍到的区域，Atlas 靠的是模型先验在"猜"。视角跨度越大、生成路径越长，越容易出现局部几何漂移、物体形状变化和纹理闪烁。换句话说，它生成的是一个视觉上合理的 3D 世界，不保证是真实场景的精确数字复刻。要做测量、验收级别的精确建模，现阶段还得靠传统扫描方案。
另外，Atlas 目前处于早期访问阶段（early access），只对部分合作伙伴开放，官网上可以申请，暂未公布公开定价。World Labs 表示 Atlas 未来会驱动其消费级产品 Marble 的后续版本——也就是说，普通用户想上手，大概率要等它进 Marble。
参考
- World Labs 官方博客：Atlas: A World Model for Spatial Intelligence（2026-09-01）
- 36kr 英文版、Xenospectrum 等媒体对发布的多家转述报道
（本文基于官方博客与多家媒体转述整理）