知识卡片：李飞飞World Labs发布多模态世界模型Atlas

英文标题（本文整理）：World Labs Unveils Atlas: A Multimodal World Model
Keywords：World Labs; Atlas; Multimodal World Model; Autoregressive Diffusion Transformer; Camera Control; RGB-D; Real-to-Sim

一句话结论

据腾讯研究院AI速递（20260903）报道，李飞飞（Fei-Fei Li）的World Labs发布多模态世界模型Atlas，采用多模态自回归扩散Transformer架构。单张图片可生成最长1分钟、1440p视频，并支持像素级相机控制；稀疏视角3D重建效果据称超过专用开源模型。它还可同时建模空间与时间，为机器人生成逼真的RGB与深度数据，打通Real-to-Sim路径；目前仅向部分合作伙伴开放早期访问。

事件概述或研究问题

该速递在“李飞飞World Labs发布多模态世界模型Atlas”条目中介绍了Atlas，李飞飞视其为里程碑式成果。官方研究问题未在速递中完整展开；从报道的功能看，它体现的探索方向是：用同一个模型同时对空间结构与时间动态建模，并将生成能力延伸到3D重建和机器人仿真数据生成。

方法/产品要点

以下为报道中的产品要点：

架构：多模态自回归扩散Transformer。
输入输出：输入单张图片，可输出最长1分钟、1440p视频。
相机控制：支持像素级相机控制生成。
3D能力：稀疏视角3D重建效果超过专用开源模型。
空间与时间：可同时建模空间与时间。
机器人数据：可生成逼真RGB与深度数据，支持Real-to-Sim路径。
访问状态：现向部分合作伙伴开放早期访问。

主要结果或产业意义

报道称，Atlas将长视频生成、相机控制、稀疏视角3D重建与机器人RGB-D数据生成统一到一个“多模态世界模型”框架中。产业意义上，它让“生成一个可信3D空间”与“让模型理解时间变化”同步发生；对机器人训练而言，生成式RGB-D数据有望减少对真实场景数据采集的依赖，为Real-to-Sim提供更直接的数据接口。

为什么重要

Atlas展示了世界模型从“生成视频”向“可控制、可仿真、可用于机器人训练”推进的趋势。李飞飞本人将其视为里程碑式成果。

与既有脉络的关系：已有相关卡片记录World Labs收购SceniX，强调物理AI训练正从“采数据”走向“造世界”。Atlas的增量在于：它以具体产品形态发布，宣称可用单张图片完成像素级相机控制的长视频生成、稀疏视角3D重建以及机器人RGB-D数据生成，让“造世界”与机器人训练数据之间的路径更直接。

局限与不确定性

该速递是二次汇编，并非World Labs官方技术公告或论文；模型训练细节、评测基准和运行环境待核实。
“稀疏视角3D重建效果超过专用开源模型”未说明具体对比模型与测试集，待核实。
“像素级相机控制”和RGB-D数据生成的精度、分辨率、帧率、算力需求等细节未披露，待核实。
早期访问的伙伴范围、API形态及商业化时间未知，待核实。
Atlas与World Labs此前收购SceniX及R2S2R成果的承接关系，该速递未直接说明，待核实。

可用于图书/PPT/简报的角度

作为“世界模型”成为AI基础设施的案例，说明生成模型正从“生成图片/视频”走向“生成可控空间与动态”。
用于解释Real-to-Sim：为机器人生成RGB与深度数据，可能替代部分真实世界采集。
作为多模态自回归扩散Transformer架构融合的一页案例，展示不同生成范式的交叉。
在“李飞飞World Labs”专题中，以Atlas代表其在“物理AI”方向的最新进展。

原始材料

来源标题：腾讯研究院AI速递 20260903
所依据条目：该速递中“二、李飞飞World Labs发布多模态世界模型Atlas”
原始URL：https://m.sohu.com/a/1071171604_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=2