A World Labs lançou seu novo modelo, o Atlas, posicionado oficialmente como um modelo "omni" voltado à inteligência espacial: texto, imagem, vídeo e dados 3D passam pela mesma arquitetura, seja como entrada ou como saída — que pode ser uma imagem, um vídeo, uma nuvem de pontos ou um 3D Gaussian Splatting. As ações públicas anteriores da empresa se concentravam em captações de investimento e na plataforma Marble; o modelo em si nunca havia sido mostrado por completo.
Tecnicamente, o Atlas é um Transformer de difusão autorregressivo multimodal, com a parte de difusão usando rectified flow. A decisão de design mais marcante do modelo é transformar a pose da câmera em uma entrada condicional nativa. Ao gerar um vídeo, a direção do movimento da câmera, a velocidade e a distância focal podem ser especificadas em nível de pixel, sem precisar escrever no prompt algo como "aproximar lentamente" e torcer para o modelo entender.
Um modelo para quatro tipos de tarefa
Segundo a empresa, as capacidades se dividem em quatro grupos. O primeiro é a geração com câmera controlável: a partir de um texto ou de uma imagem, gera-se um vídeo cuja trajetória de câmera é definida pelo usuário. O segundo é a reconstrução esparsa: com 1 a mais de 100 fotos como entrada, o modelo produz a representação 3D correspondente da cena. O terceiro é a simulação espaço-temporal: recompor vídeos existentes, trocar o ângulo de câmera — a World Labs cita explicitamente o uso em Real-to-Sim para robótica. O quarto é mais convencional: geração de texto para imagem e panoramas de 360 graus.
O limite de saída de vídeo é 1440p e um minuto. Esse número não é particularmente agressivo frente aos modelos de vídeo atuais; produtos dedicados a vídeo já vão muito além em duração. O argumento do Atlas também não é sobre duração, e sim sobre os dados comparativos em tarefas de acompanhamento de câmera: a taxa de preferência dos usuários pelos resultados do Atlas foi de 93%, contra o FLUX. Em reconstrução 3D, a empresa afirma que o modelo supera modelos SOTA especializados, com erro relativo absoluto médio de 25,3.
Um modelo generalista que não fica atrás em duas frentes especializadas — essa é a narrativa que o Atlas quer contar. Se ela se sustenta, só resultados de terceiros de testadores iniciais poderão confirmar.
Por que o controle de câmera é a linha divisória
Nos últimos dois anos, o movimento de câmera nos modelos de geração de vídeo dependia basicamente de adivinhação semântica. Você escreve "filmagem circular", o modelo entrega um trecho que gira mais ou menos, mas quantos graus, em torno de que centro, com ou sem deriva — nada disso tem garantia. Quem faz pré-visualização para cinema e TV costuma resolver isso gerando uma dezena de versões e escolhendo uma; quem faz simulação de robótica simplesmente não usa, porque a simulação exige parâmetros extrínsecos de câmera reprodutíveis, e "parece que está se movendo" não tem valor nenhum.
Transformar a pose em entrada condicional equivale a rebaixar o problema de geração para um problema de controle. O modelo continua "inventando" o conteúdo da imagem, mas a dimensão da câmera deixa de ser aleatória. O efeito mais direto para aplicações posteriores é que o resultado da geração pode se alinhar com a reconstrução 3D: a mesma cena rende tanto vídeo quanto nuvem de pontos e Gaussian Splatting, compartilhando o mesmo sistema de coordenadas. A World Labs chama essa linha de inteligência espacial, o mesmo termo usado por Fei-Fei Li quando a empresa captou US$ 1 bilhão em investimento.
Testes iniciais e a próxima versão do Marble
Por ora, o Atlas está disponível apenas para parceiros selecionados, mediante formulário de inscrição, sem API pública e sem preço definido. A empresa afirma claramente que o Atlas vai impulsionar futuras versões do Marble, a plataforma de geração espacial da World Labs já em operação, que atualmente ainda roda na stack tecnológica da geração anterior.
Esse ritmo é proposital. Desde a fundação, os movimentos de produto da World Labs sempre foram mais lentos; o Marble foi a primeira coisa realmente acessível ao público, enquanto o Atlas pulou completamente a etapa de lançamento público. Para uma empresa com avaliação e captação de investimento tão altas, entregar o modelo primeiro a um pequeno grupo de parceiros de robótica e da indústria audiovisual traz um retorno mais concreto do que abrir uma demo para qualquer pessoa testar: o primeiro grupo consegue dar retorno sobre se a precisão da simulação é suficiente, enquanto o segundo provavelmente só geraria uma leva de vídeos curtos para redes sociais.
Fazendo uma conta grosseira sobre a barreira real do Atlas: um minuto de vídeo em 1440p, mais a saída 3D da mesma cena — o custo computacional de uma única inferência dificilmente cabe em uma assinatura de consumidor comum, o que provavelmente também explica por que o campo de preço ainda está em branco. A forma do modelo já convergiu; como ele será vendido ainda precisa de tempo.
Fontes: blog oficial da World Labs, CocoLoop; a arquitetura do modelo, a duração e resolução do vídeo, a taxa de preferência no acompanhamento de câmera e os valores de erro de reconstrução foram conferidos conforme os dados divulgados oficialmente.