World Labs 把新模型 Atlas 放了出来，官方给它的定位是面向空间智能的”全模态”模型：文本、图像、视频、三维数据走同一套架构，输入进去，出来的可以是图片、视频、点云，也可以是三维高斯泼溅。这家公司此前的公开动作集中在融资和 Marble 平台上，模型本体一直没有完整露面。
Atlas 的技术形态是多模态自回归扩散 Transformer，扩散部分用矫正流（rectified flow）。它把相机位姿做成了原生的条件输入，这是整个模型最硬的一处设计。生成一段视频时，镜头往哪儿走、走多快、什么焦段，都能在像素级别指定，用不着靠提示词写”缓慢推近”然后祈祷模型听懂。
一个模型吃下四类活
官方列出的能力有四组。第一组是相机可控生成，从文本或一张图出发生成视频，镜头轨迹由用户给定。第二组是稀疏重建，喂进 1 张到 100 多张照片，模型输出对应场景的三维表示。第三组是时空模拟，把已有视频重新构图、换机位，官方点名了机器人的 Real-to-Sim 用途。第四组比较常规，文生图和 360 度全景。
视频输出上限是 1440p、1 分钟。这个数字放在今天的视频模型里不算激进，专攻视频的产品在时长上已经走得更远。Atlas 的口径也不在时长上，它给出的对比数据是相机跟随任务：用户对 Atlas 结果的偏好率 93%，对手是 FLUX。三维重建方面，官方称它压过了专门做重建的 SOTA 模型，平均绝对相对误差 25.3。
一个通才模型在两个专用赛道上都不落下风，这是 Atlas 想讲的故事。它站不站得住，要看早期测试者放出的第三方结果。
相机控制为什么是分界线
过去两年，视频生成模型的镜头运动基本靠语义猜。你写”环绕拍摄”，模型输出一段大致在转的画面，但转多少度、圆心在哪儿、有没有漂移，全无保证。做影视预演的人对此的普遍处理是生成十几条挑一条；做机器人仿真的人则干脆不用，仿真需要可复现的相机外参，“看起来在动”没有价值。
把位姿变成条件输入，等于把这件事从生成问题降级成了控制问题。模型仍然在编造画面内容，镜头这一维退出了随机性。对下游最直接的影响是生成结果可以和三维重建对齐：同一场景既能拿到视频，也能拿到点云和高斯泼溅，两者共享同一套坐标。World Labs 把这条路径叫空间智能，李飞飞此前为此拿到 10 亿美元融资时给的说法也是这个。
早期测试，以及 Marble 的下一版
Atlas 眼下只对部分合作伙伴开放，走申请表制，没有公开 API，也没有定价。官方明确说了它将驱动 Marble 未来的版本，Marble 是 World Labs 已经上线的空间生成平台，现在跑的还是上一代技术栈。
这个节奏有讲究。World Labs 成立以来的产品动作一直偏慢，Marble 是第一个能上手的东西，Atlas 则直接跳过了公开发布这一环。对一家估值和融资额都推得很高的公司来说，先把模型交到少数几个做机器人和影视工业的伙伴手上，回报比开一个人人可试的 demo 更实在：前者能反馈出仿真精度够不够，后者大概率只会产出一批社交媒体上的短视频。
粗算一下 Atlas 的实际门槛。1 分钟 1440p 视频，加上同场景的三维输出，单次推理的算力开销很难被消费级订阅覆盖，定价一栏空着大概也有这个原因。模型形态这一步先收敛了，怎么卖还得再等一等。
参考来源：World Labs 官方博客、CocoLoop；模型架构、视频时长与分辨率、相机跟随偏好比例、重建误差数值均按官方公布口径核对。