World Labs merilis model baru bernama Atlas, yang diposisikan resmi sebagai model 'omni-modal' untuk kecerdasan spasial: teks, gambar, video, dan data 3D semuanya diproses lewat arsitektur yang sama, dan keluarannya bisa berupa gambar, video, point cloud, maupun Gaussian splatting 3D. Langkah publik perusahaan ini sebelumnya lebih banyak berpusat pada pendanaan dan platform Marble, sementara model intinya sendiri belum pernah ditampilkan selengkap ini.
Secara teknis, Atlas adalah transformer difusi autoregresif multimodal, dengan bagian difusi menggunakan rectified flow. Menjadikan pose kamera sebagai input kondisi bawaan (native) adalah bagian desain paling berat dari seluruh model ini. Saat menghasilkan video, arah gerak kamera, kecepatannya, dan panjang fokus yang dipakai semuanya bisa ditentukan pada level piksel, tanpa perlu menulis prompt seperti 'zoom in perlahan' lalu berharap modelnya paham.
Satu model untuk empat jenis pekerjaan
Perusahaan mencantumkan empat kelompok kemampuan. Kelompok pertama adalah generasi dengan kontrol kamera, menghasilkan video dari teks atau satu gambar, dengan lintasan kamera ditentukan pengguna. Kelompok kedua adalah rekonstruksi sparse: masukkan 1 hingga lebih dari 100 foto, model akan menghasilkan representasi 3D dari adegan tersebut. Kelompok ketiga adalah simulasi spatio-temporal, yaitu menyusun ulang komposisi dan posisi kamera dari video yang sudah ada — perusahaan secara khusus menyebut kegunaan Real-to-Sim untuk robotika. Kelompok keempat lebih konvensional, yaitu teks-ke-gambar dan panorama 360 derajat.
Batas atas keluaran video adalah 1440p dan satu menit. Angka ini tidak terlalu agresif dibanding standar model video saat ini — produk yang memang fokus pada video sudah melangkah lebih jauh soal durasi. Tapi durasi memang bukan yang ditonjolkan Atlas. Data pembanding yang mereka berikan justru soal tugas mengikuti kamera (camera-following): pengguna lebih memilih hasil Atlas dibanding FLUX dengan tingkat preferensi 93%. Untuk rekonstruksi 3D, perusahaan mengklaim Atlas mengungguli model SOTA yang memang dikhususkan untuk rekonstruksi, dengan rata-rata mean absolute relative error sebesar 25,3.
Model generalis yang tidak kalah dari model spesialis di dua jalur sekaligus — itulah cerita yang ingin disampaikan Atlas. Apakah klaim ini benar-benar bertahan, tergantung pada hasil verifikasi pihak ketiga yang nanti dirilis oleh penguji awal.
Mengapa kontrol kamera menjadi garis pemisah
Selama dua tahun terakhir, gerakan kamera pada model generasi video pada dasarnya mengandalkan tebakan semantik. Tulis 'orbit shot', model akan menghasilkan gambar yang kurang lebih berputar, tapi berapa derajat putarannya, di mana titik pusatnya, dan apakah ada drift, semuanya tidak ada jaminan. Orang yang mengerjakan previsualisasi film biasanya mengatasi ini dengan menghasilkan belasan klip lalu memilih satu; orang yang mengerjakan simulasi robotika bahkan sama sekali tidak memakainya, karena simulasi membutuhkan parameter ekstrinsik kamera yang bisa direproduksi — 'terlihat bergerak' saja tidak ada nilainya.
Mengubah pose menjadi input kondisi sama artinya dengan menurunkan derajat masalah ini, dari masalah generasi menjadi masalah kontrol. Model tetap mengarang isi gambar, tapi dimensi kamera sudah keluar dari faktor acak. Dampak paling langsung ke hilir adalah hasil generasi bisa diselaraskan dengan rekonstruksi 3D: dari adegan yang sama bisa didapat video sekaligus point cloud dan Gaussian splatting, dan keduanya berbagi sistem koordinat yang sama. World Labs menyebut jalur ini sebagai kecerdasan spasial — istilah yang sama yang dipakai Fei-Fei Li saat perusahaan ini meraih pendanaan senilai 1 miliar dolar AS untuk arah tersebut.
Pengujian awal, dan versi Marble berikutnya
Saat ini Atlas hanya dibuka untuk sebagian mitra terpilih lewat sistem formulir aplikasi, tanpa API publik dan tanpa harga. Perusahaan menyatakan secara eksplisit bahwa Atlas akan menjadi penggerak versi Marble di masa depan. Marble sendiri adalah platform generasi spasial dari World Labs yang sudah lebih dulu diluncurkan, dan saat ini masih berjalan di atas tumpukan teknologi generasi sebelumnya.
Ada perhitungan di balik ritme ini. Sejak berdiri, langkah produk World Labs memang selalu terkesan lambat — Marble adalah hal pertama yang benar-benar bisa dicoba orang, sementara Atlas langsung melompati tahap peluncuran publik. Bagi perusahaan dengan valuasi dan jumlah pendanaan yang sudah didorong sangat tinggi, menyerahkan model lebih dulu ke segelintir mitra di bidang robotika dan industri film memberi imbal hasil yang lebih nyata dibanding membuka demo yang bisa dicoba siapa saja: yang pertama bisa memberi umpan balik soal apakah akurasi simulasinya sudah cukup, sedangkan yang kedua kemungkinan besar hanya akan menghasilkan segudang video pendek di media sosial.
Coba hitung kasar ambang batas nyata dari Atlas. Video satu menit beresolusi 1440p, ditambah keluaran 3D dari adegan yang sama, membuat biaya komputasi untuk satu kali inferensi sulit ditutup oleh langganan kelas konsumen — kemungkinan besar inilah salah satu alasan kolom harganya masih kosong. Bentuk model ini sendiri untuk sementara sudah menemukan titik temunya, tapi cara menjualnya masih harus ditunggu.
Sumber: blog resmi World Labs, CocoLoop; arsitektur model, durasi dan resolusi video, tingkat preferensi camera-following, serta angka error rekonstruksi telah diperiksa sesuai keterangan resmi yang dipublikasikan.