World Labs a publié son nouveau modèle Atlas, présenté officiellement comme un modèle « omni » dédié à l'intelligence spatiale : texte, image, vidéo et données 3D passent par la même architecture, aussi bien en entrée qu'en sortie, cette dernière pouvant être une image, une vidéo, un nuage de points ou un Gaussian Splatting 3D. Les annonces publiques précédentes de l'entreprise portaient surtout sur ses levées de fonds et sur la plateforme Marble ; le modèle lui-même n'avait jamais été présenté dans son intégralité.
Sur le plan technique, Atlas est un Transformer de diffusion autorégressif multimodal, dont la partie diffusion repose sur le rectified flow. Le choix de conception le plus marquant du modèle consiste à faire de la pose de caméra une entrée conditionnelle native. Lors de la génération d'une vidéo, la direction du mouvement de caméra, sa vitesse et la focale peuvent être spécifiées au niveau du pixel, sans avoir à écrire dans le prompt un vague « zoom lent avant » en espérant que le modèle comprenne.
Un seul modèle pour quatre types de tâches
L'entreprise présente quatre groupes de capacités. Le premier est la génération à caméra pilotable : à partir d'un texte ou d'une image, une vidéo est générée dont la trajectoire de caméra est fixée par l'utilisateur. Le deuxième est la reconstruction éparse : à partir de 1 à plus de 100 photos, le modèle produit la représentation 3D correspondante de la scène. Le troisième est la simulation spatio-temporelle : recomposer une vidéo existante, changer l'angle de caméra — World Labs cite explicitement les usages Real-to-Sim pour la robotique. Le quatrième est plus classique : le texte-vers-image et les panoramas à 360 degrés.
La limite de sortie vidéo est de 1440p et d'une minute. Ce chiffre n'a rien d'agressif face aux modèles vidéo actuels, les produits spécialisés en vidéo allant déjà bien plus loin en durée. L'argument d'Atlas ne porte d'ailleurs pas sur la durée, mais sur les données comparatives obtenues sur la tâche de suivi de caméra : le taux de préférence des utilisateurs pour les résultats d'Atlas atteint 93 %, face à FLUX. Côté reconstruction 3D, l'entreprise affirme que le modèle dépasse les modèles SOTA spécialisés, avec une erreur relative absolue moyenne de 25,3.
Un modèle généraliste qui ne cède du terrain sur aucune des deux disciplines spécialisées : voilà l'histoire qu'Atlas veut raconter. Reste à voir si elle tient, ce que confirmeront ou non les résultats tiers publiés par les premiers testeurs.
Pourquoi le contrôle de caméra fait la différence
Ces deux dernières années, le mouvement de caméra dans les modèles de génération vidéo reposait pour l'essentiel sur une devinette sémantique. On écrit « travelling circulaire », le modèle produit une séquence qui tourne à peu près, mais de combien de degrés, autour de quel centre, avec ou sans dérive, rien n'est garanti. Ceux qui font de la prévisualisation pour le cinéma et la télévision règlent généralement le problème en générant une dizaine de versions et en en choisissant une ; ceux qui font de la simulation robotique renoncent carrément à cette approche, car la simulation exige des paramètres extrinsèques de caméra reproductibles — « ça a l'air de bouger » n'a aucune valeur.
Transformer la pose en entrée conditionnelle revient à faire passer ce problème d'un problème de génération à un problème de contrôle. Le modèle continue d'« inventer » le contenu de l'image, mais la dimension caméra échappe désormais à l'aléatoire. L'effet le plus direct pour les usages en aval est que le résultat généré peut s'aligner avec la reconstruction 3D : une même scène fournit à la fois une vidéo, un nuage de points et un Gaussian Splatting, partageant le même système de coordonnées. World Labs appelle cette piste l'intelligence spatiale, le terme même utilisé par Fei-Fei Li lorsque l'entreprise avait levé 1 milliard de dollars.
Tests précoces, et la prochaine version de Marble
Atlas n'est pour l'instant ouvert qu'à certains partenaires, sur formulaire de candidature, sans API publique ni tarif annoncé. L'entreprise indique clairement qu'Atlas alimentera les futures versions de Marble, la plateforme de génération spatiale déjà en ligne de World Labs, qui tourne aujourd'hui encore sur la pile technologique de la génération précédente.
Ce tempo n'a rien d'anodin. Depuis sa création, World Labs avance plutôt lentement sur ses produits ; Marble a été la première chose réellement accessible au public, tandis qu'Atlas saute complètement l'étape du lancement public. Pour une entreprise à la valorisation et aux levées de fonds aussi élevées, confier d'abord le modèle à une poignée de partenaires issus de la robotique et de l'industrie du cinéma rapporte davantage que d'ouvrir une démo accessible à tous : les premiers peuvent indiquer si la précision de simulation est suffisante, tandis que les seconds ne produiraient très probablement qu'une vague de courtes vidéos pour les réseaux sociaux.
En estimant grossièrement le seuil d'entrée réel d'Atlas : une minute de vidéo en 1440p, plus la sortie 3D de la même scène, représente un coût de calcul par inférence difficile à couvrir par un abonnement grand public — ce qui explique sans doute en partie pourquoi la case tarif reste vide. La forme du modèle s'est déjà stabilisée ; sa commercialisation, elle, devra encore attendre.
Sources : blog officiel de World Labs, CocoLoop ; l'architecture du modèle, la durée et la résolution de la vidéo, le taux de préférence sur le suivi de caméra et les valeurs d'erreur de reconstruction ont été vérifiés selon les données publiées officiellement.