World Labs hat sein neues Modell Atlas veröffentlicht, offiziell positioniert als „Omni“-Modell für räumliche Intelligenz: Text, Bild, Video und 3D-Daten laufen über dieselbe Architektur, als Eingabe wie als Ausgabe – Letztere kann ein Bild, ein Video, eine Punktwolke oder ein 3D-Gaussian-Splatting sein. Die bisherigen öffentlichen Aktivitäten des Unternehmens drehten sich vor allem um Finanzierungsrunden und die Plattform Marble, das eigentliche Modell war bislang nie vollständig zu sehen.
Technisch ist Atlas ein multimodaler autoregressiver Diffusions-Transformer, wobei der Diffusionsteil auf Rectified Flow setzt. Die härteste Designentscheidung des gesamten Modells ist, die Kameraposition zu einem nativen konditionierenden Input zu machen. Bei der Videoerzeugung lassen sich Richtung, Geschwindigkeit und Brennweite der Kamerafahrt auf Pixelebene festlegen – man muss nicht mehr im Prompt „langsam heranzoomen“ schreiben und hoffen, dass das Modell es versteht.
Ein Modell für vier Aufgabenfelder
Offiziell werden vier Fähigkeitsgruppen genannt. Die erste ist kamerasteuerbare Generierung: Aus Text oder einem einzelnen Bild wird ein Video erzeugt, dessen Kamerabahn der Nutzer vorgibt. Die zweite ist Sparse Reconstruction: Aus 1 bis über 100 Fotos berechnet das Modell die entsprechende 3D-Darstellung der Szene. Die dritte ist räumlich-zeitliche Simulation: Bestehende Videos werden neu komponiert oder die Kameraposition geändert – World Labs nennt hier ausdrücklich Real-to-Sim-Anwendungen für Robotik. Die vierte ist eher konventionell: Text-zu-Bild und 360-Grad-Panoramen.
Die Obergrenze bei Videos liegt bei 1440p und einer Minute Länge. Diese Werte sind im Vergleich zu heutigen Videomodellen nicht sonderlich aggressiv, spezialisierte Video-Produkte gehen bei der Länge schon deutlich weiter. Atlas' Argument zielt auch nicht auf die Länge, sondern auf Vergleichsdaten bei der Kameraverfolgung: Nutzer bevorzugten die Atlas-Ergebnisse in 93 % der Fälle gegenüber FLUX. Bei der 3D-Rekonstruktion soll das Modell laut Unternehmensangaben spezialisierte SOTA-Modelle übertreffen, mit einem mittleren absoluten relativen Fehler von 25,3.
Ein Generalistenmodell, das in zwei spezialisierten Disziplinen nicht zurückfällt – das ist die Geschichte, die Atlas erzählen will. Ob sie trägt, zeigt sich erst an Drittanbieter-Ergebnissen früher Tester.
Warum Kamerasteuerung die Trennlinie ist
In den vergangenen zwei Jahren beruhte die Kamerabewegung in Videogenerierungsmodellen im Wesentlichen auf semantischem Raten. Man schreibt „Kamerafahrt im Kreis“, das Modell liefert eine Sequenz, die ungefähr rotiert – wie viele Grad, um welchen Mittelpunkt, mit oder ohne Drift, ist völlig ungewiss. Wer Previs für Film und Fernsehen macht, löst das meist so, dass er ein Dutzend Varianten erzeugt und eine auswählt; wer Robotik-Simulationen macht, verzichtet meist ganz darauf, denn Simulation braucht reproduzierbare externe Kameraparameter – „sieht aus, als würde sich etwas bewegen“ ist dafür wertlos.
Die Kameraposition zu einem konditionierenden Input zu machen, stuft die Aufgabe faktisch von einem Generierungsproblem zu einem Steuerungsproblem herab. Das Modell erfindet weiterhin den Bildinhalt, aber die Kameradimension entkommt der Zufälligkeit. Der direkteste Effekt für nachgelagerte Anwendungen: Das Generierungsergebnis lässt sich mit der 3D-Rekonstruktion in Deckung bringen – dieselbe Szene liefert sowohl Video als auch Punktwolke und Gaussian Splatting, beide im selben Koordinatensystem. World Labs nennt diesen Ansatz räumliche Intelligenz, dieselbe Formulierung, mit der Fei-Fei Li zuvor die Finanzierungsrunde über 1 Milliarde US-Dollar begründet hatte.
Frühe Tests – und die nächste Marble-Version
Atlas steht derzeit nur ausgewählten Partnern offen, per Antragsformular, ohne öffentliche API und ohne Preisliste. Das Unternehmen erklärt ausdrücklich, dass Atlas künftige Versionen von Marble antreiben wird – der bereits live geschalteten Plattform für räumliche Generierung von World Labs, die aktuell noch auf dem Technologie-Stack der Vorgängergeneration läuft.
Dieses Tempo hat Kalkül. Seit der Gründung agiert World Labs bei Produktankündigungen eher langsam, Marble war das erste tatsächlich nutzbare Produkt, Atlas überspringt die öffentliche Vorstellung ganz. Für ein Unternehmen mit sehr hoher Bewertung und ebenso hohem Finanzierungsvolumen bringt es mehr, das Modell zunächst wenigen Partnern aus Robotik und Filmindustrie zu geben, statt eine für jedermann zugängliche Demo zu veröffentlichen: Erstere liefern Feedback dazu, ob die Simulationsgenauigkeit ausreicht, Letztere würden aller Voraussicht nach vor allem eine Welle kurzer Social-Media-Clips erzeugen.
Eine grobe Überschlagsrechnung zur realen Eintrittshürde von Atlas: Eine Minute Video in 1440p plus die 3D-Ausgabe derselben Szene – der Rechenaufwand für eine einzelne Inferenz lässt sich kaum mit einem Consumer-Abo abdecken, was wohl mit ein Grund ist, warum das Preisfeld noch leer bleibt. Die Modellform hat sich als Erstes konsolidiert, wie sie verkauft wird, muss sich noch zeigen.
Quellen: offizieller Blog von World Labs, CocoLoop; Modellarchitektur, Videolänge und -auflösung, Präferenzquote bei der Kameraverfolgung sowie die Rekonstruktionsfehlerwerte wurden anhand der offiziellen Angaben geprüft.