我仔细看了 Atlas 的技术博客,发现它和市面上的视频生成模型不是一回事
今天9 月 2 日李飞飞的 World Labs 发了 Atlas官方喊的是全球首个多模态世界模型。我看了一圈中文媒体的报道基本都在说几张照片生成 1 分钟视频——这个说法没错但讲漏了最关键的东西。我花了点时间把 World Labs 的官方博客翻了一遍越看越觉得Atlas 和市面上那些文生视频模型走的不是同一条路。它不是在生成视频它是在理解空间。它和视频生成模型的本质区别在哪先搞清楚一个基本问题为什么 Atlas 不叫视频生成模型而叫世界模型你把一张照片丢进 Sora 或者 Dreamina它给你生成一段视频。这段视频看起来可能很流畅但画面里的物体之间的关系是猜出来的——模型没有真正理解这个场景里桌子在哪、椅子离墙多远、光线从哪个方向来。它只是见过足够多的视频学会了一个像素到另一个像素的过渡模式。Atlas 不一样。它把输入的照片、视频、文本全部转成空间上下文——说人话就是它给画面里的每个像素都标了一个三维坐标。你告诉它镜头往左移 30 度它不是靠猜而是真的知道左边应该有什么。这个区别在官方的一个演示里体现得特别明显他们用三台手机从不同角度拍同一个房间然后输进 Atlas。模型没有看过这个房间的完整样子但三台手机的画面在空间上被对齐了——模型理解了这三段视频拍的是同一个三维空间。然后它能从任意新视角生成画面包括从天花板往下看这种任何一台手机都没拍到的角度。这不是视频生成这是空间重建 新视角渲染。架构上做了哪些不一样的选择官方博客里提到了模型架构但没有给论文、没有开源、没有定价。这个三没有也挺有意思的——说明还在早期先放 demo 出来抢个位置。不过从透露的信息来看架构设计有几个值得关注的点第一从零开始预训练不是在现有模型上改的。现在很多视频模型是从文生图模型扩过来的比如 Sora 基于 DALL·E 的技术路线但 Atlas 的预训练数据里同时包含了文本、图像、视频和 3D 数据。World Labs 的说法是从训练第一天起这四种模态就共享同一个表示空间。这样做的好处是跨模态的对齐不是后期加上的功能而是模型天生就具备的能力。第二空间上下文替代了文本上下文。这个是核心设计思路。LLM 的本质是把所有东西都变成 token 序列然后做 next token prediction。Atlas 的思路类似但它的token不是文字而是带空间位置的信息单元。模型要预测的也不是下一个词而是在这个三维空间里下一个合理的内容应该是什么。第三自回归 扩散两个一起用。自回归部分负责生成序列化的结构比如相机轨迹、动作序列扩散部分用的是 rectified flow负责生成高维连续内容像素级画面。这种混合架构不算全新但在世界模型这个尺度上Atlas 是第一个把它跑通了的。为什么说它最大的价值不在拍视频聊到这里你可能想问那它到底能干嘛做特效、拍广告、生成虚拟拍摄素材——这些当然可以而且效果看起来确实不错。但我觉得 Atlas 真正让人兴奋的地方是它给机器人训练开了一条新路。现在做具身智能的人最头疼的问题之一就是虚拟训练场不够用。让机器人在真实环境里反复试错成本高、速度慢、还容易出事故。在仿真环境里训练又得先花大量人力去搭 3D 场景。业内有个说法训练一个能在家居环境里干活的机器人光搭场景就得花掉项目一半的预算。Atlas 的输出可以转成 3D 点云或者 Gaussian Splatting这意味着你给我拍几张客厅的照片我就能得到一个可交互的 3D 场景——机器人可以直接在这个场景里做仿真训练。英伟达的 Jim Fan 在 Atlas 发布后第一时间转了帖说这是Real-to-Sim 的一大步。他不是在客气。不过话说回来有几个问题还没答案说完了好的说几个我还没想明白的。第一个问题早期访问到底什么时候开放官方博客说的是in the coming weeks但具体几周没说。而且目前没有任何 API 定价或者使用门槛的信息。对于想拿它做二次开发的团队来说光看 demo 是不够的。第二个问题没有论文技术细节到底有多深官方博客描述了架构思路但像训练数据规模、模型参数量、推理效率这些硬指标一个字都没提。对于技术社区来说想复现或者跟进信息还不够。第三个问题和 Google DeepMind 的 Genie 3、NVIDIA 的 Cosmos 比到底有没有代差这几家都在做世界模型方向高度重叠。Atlas 目前最大的差异化优势是从零训练 原生多模态但对手的进度也不慢。这场竞赛刚开了个头。你觉得世界模型这条路最终会走向统一模型还是垂直分工——也就是一个模型包打天下还是不同场景用不同的世界模型欢迎评论区聊聊。

相关新闻

E-VQA:证据驱动的视频问答模型部署与实战指南

E-VQA:证据驱动的视频问答模型部署与实战指南

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/21 22:32:38 阅读更多 →
旧Mac驱动修复指南:使用OpenCore Legacy Patcher让2010款MacBook Pro焕发新生

旧Mac驱动修复指南:使用OpenCore Legacy Patcher让2010款MacBook Pro焕发新生

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/16 10:38:23 阅读更多 →
IguanaTex:让PowerPoint公式排版像LaTeX一样高效的开源插件

IguanaTex:让PowerPoint公式排版像LaTeX一样高效的开源插件

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/21 17:37:02 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/21 23:27:35 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/21 23:27:35 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/21 23:27:35 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/21 23:27:35 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/21 23:27:36 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/21 23:27:37 阅读更多 →

日新闻

周新闻

月新闻