📖 AI 总结

李飞飞团队World Labs发布全球首个多模态世界模型Atlas，该模型以多模态自回归扩散Transformer为基础架构，能同时处理文本、图像、视频、3D深度图等多种数据类型。Atlas的核心能力包括：仅凭一张图片即可生成像素级相机控制的1分钟1440p视频；基于稀疏输入重建3D场景，效果超越专业3D重建模型；支持时空模拟，可转换视频视角并生成逼真RGB和深度数据，为机器人训练提供Real-to-Sim工作流。在定量评估中，Atlas在相机控制生成和3D重建任务上均优于现有SOTA模型，且能力随规模扩大持续提升。该模型被视为具身智能领域的关键突破，打通了从真实场景到模拟环境的路径，为视觉特效和机器人训练等应用开辟了新可能。