李飞飞发布Atlas：全球首个，1分钟1440P深蓝AI

几张照片替代几百个机位」

给你两张八竿子打不着的照片——一间客厅、一段走廊。Atlas 能自己"补"出一截过渡空间：客厅的墙开出一道门，门后连着走廊，镜头推过去，两幅画面在同一个三维坐标里严丝合缝地接上。

这不是演示特效，而是 World Labs 发布的新世界模型 Atlas 的核心能力之一。

这家由李飞飞创立、主攻"空间智能"的公司，想用一套权重同时干完四件事：按给定机位生成视频、用少量照片重建场景、把手机短视频变成可自由穿行的"子弹时间"、以及从文字直接出图和 360° 全景。

官方称它为"全能世界模型"（omni world model）。

在它之前，这四件事分属四个赛道，模型架构与训练数据几乎互不相通。Atlas 凭什么把它们装进一套权重？又能装到什么程度？

视频生成、三维重建、世界模型：三家各守一摊

先说清楚 Atlas 要打的是谁。

要么会画不会建，要么会建不会画，要么能演但摸不着。

Atlas 的设计思路，就是不在"生成"与"重建"之间二选一——所有输入图像都绑定真实（或给定）的三维相机位姿，组成一份共享的"空间上下文"。这是理解全文的关键词。

您的浏览器不支持 video 标签

图 | 单图逐步补全场景示意图：输入1/2/3张地面照片，逐步补全整个场景，输入越多，模型想象成分越少，还原真实细节越多。©【深蓝 AI】编译

四大核心能力：从可控生成到机器人仿真

整套能力可以划分相机控制生成、空间重建、时空模拟、图像全景生成四大模块。

四项能力共用同一套底层，而每一项对应的，恰是此前的一个独立赛道。

2.1 相机可控生成：把镜头参数直接喂给模型

传统视频生成，镜头是prompt里的一段文字；Atlas直接把相机的位置、旋转作为原生输入。

输入1‑6张参考图像，用户自定义完整相机运动路径，模型按照给定轨迹生成最高1440p、最长一分钟的连贯视频，并且保持场景物体几何一致性，向外推演输入画面没有拍到的区域。

图 | 空间上下文拼接生成效果图：两张来源完全不同的参考图像赋予各自3D位置，模型生成中间过渡场景与通道。©【深蓝 AI】编译

图 | 多相机路径生成效果图：同一套输入图像，生成多条完全不同的相机飞行轨迹，场景内容保持一致©【深蓝 AI】编译

您的浏览器不支持 video 标签

图 | 多机位视频重构图（子弹时间效果）示意图：少数普通手机拍摄的视频输入，冻结时间，生成任意角度的镜头画面。©【深蓝 AI】编译

2.4 图像与全景生成

图像生成属于附加能力，并非Atlas核心定位。支持复杂文本提示生成图片、360°等矩形全景图，支持渲染画面内文字、多种艺术风格。

底层架构：多模态自回归扩散Transformer

Atlas是从零预训练的多模态自回归扩散Transformer，融合LLM、扩散图像模型两类架构的特点：

图 | Atlas模型架构逻辑框图：文本、图像、相机、深度构成空间上下文，自回归扩散Transformer逐元素生成视频帧与深度。©【深蓝 AI】编译

Atlas 带来的最大启发，不在于生成酷炫的一分钟长视频，而在于把相机位姿提升到模型原生输入的设计思想，重新定义了视觉世界模型的交互接口。

过去绝大多数视频生成、多模态模型，把相机运动当成文本附属描述，相当于 “用语言间接下达运动指令”，天然就存在翻译损耗。