Atlas

Atlas — модель мира от World Labs, которая работает с пространством: она может сгенерировать целый мир по одному кадру, реконструировать реальную сцену в 3D по нескольким фотографиям и симулировать, как это пространство меняется во времени. Компания называет её «омни»-моделью: текст, изображения, видео, позиции камеры и карты глубины она обрабатывает нативно, в одной архитектуре. Пригодится тем, кто делает игры, дизайн, VFX, и отдельно — робототехникам, которым нужны симуляции и обучающие данные.

Ключевая идея — пространственный контекст. Каждое входное изображение привязывается к своей позиции в 3D, и дальше модель достраивает продолжение так, чтобы оно сходилось с тем, что уже видела, а остальное домысливает из собственных знаний о мире. Отсюда любопытный трюк: можно подать два никак не связанных референса, расставить их в пространстве — и Atlas придумает мир между ними, с дверями, коридорами и закутками, которых на входе не было.

Управление камерой здесь не текстовыми подсказками, а точной геометрией — это отдельный тип входных данных. Значит, можно задать кадрирование каждого кадра и каждое движение, а не надеяться, что модель правильно поймёт слово «кран». На выходе — изображения и видео с новых ракурсов, до минуты в 1440p. По независимой оценке с живыми оценщиками Atlas обошёл современные видеомодели в генерации с управлением камерой, и разрыв растёт на сложных траекториях (правда, авторы честно оговариваются: другим моделям путь камеры описывали текстом, и более хитрый промптинг мог бы их подтянуть).

Что Atlas умеет по трём направлениям:

• Генерация миров — сцена из одного кадра, 360-градусные панорамы по тексту или картинке, отрисовка текста, разные визуальные стили. Генерация изображений — не основной фокус модели, но справляется она уверенно.
• Реконструкция — правдоподобный результат получается уже с двух-трёх снимков, а в контекст можно подать и больше сотни изображений, если нужна точность. Чем больше кадров, тем меньше модель воображает. Результат отдаётся и кадрами с новых ракурсов, и явным 3D: облаками точек или гауссовыми сплатами, которые рендерятся локально на устройстве.
• Симуляция — перекадрирование видео и эффект bullet time по материалу с трёх-пяти обычных камер (в примерах — телефоны и экшн-камеры на штативах), без студии и спецоборудования. Плюс Real-to-Sim для роботов: Atlas построит пространство в 3D и сгенерирует RGB и глубину, которые увидели бы сенсоры робота на заданной траектории.

Для робототехнической манипуляции модель поможет собрать симуляцию по нескольким обычным записям, воспроизводя движение жёстких, сочленённых и деформируемых объектов. Дальше сцену можно варьировать — менять объекты, их положение, свет, фон, траекторию робота — и получать разнообразные обучающие данные и тестовые среды в промышленном масштабе.

Под капотом — мультимодальный авторегрессионный диффузионный трансформер, обученный с нуля: авторы отказались от стандартных архитектур LLM и видеомоделей и спроектировали свою. Диффузионная часть построена на rectified flow, и числом шагов денойзинга можно самому выбирать между скоростью и качеством. Atlas использует то же представление 3D-гауссовых сплатов, что и Marble, и ляжет в основу будущих версий продуктов World Labs.

Цен на странице нет. Модель выходит в ранний доступ с избранными партнёрами — нужно отправить запрос, после чего команда World Labs свяжется сама. Стоит учитывать и оговорку авторов: единого бенчмарка, который отразил бы всю универсальность Atlas, не существует, поэтому цифры они приводят только по двум задачам — генерации с условием на камеру и 3D-реконструкции по разреженным видам.