Atlas发布，World Model 开始生产机器人训练世界

　　举起一部手机，沿着仓库走过，镜头记录下墙面、货架、箱子和通道，World Labs 从这段视频里抽取 24 帧，把原本只存在于画面中的现场放进一个可以继续生成的三维空间。

　　研究人员随后改变机器人的行走路线。Atlas 根据机身相机新的位置和朝向，生成机器人沿途应该看到的 RGB 图像与深度数据。机器人换了一条路线，视野也随之改变。现实空间被压缩成少量观测，仿真中的传感器又从同一个空间上下文里长出来。

　　这是 World Labs 于美国时间 9 月 1 日发布 Atlas 时展示的场景。Atlas 被定义为面向空间智能的全模态世界模型，能同时处理文本、图像、视频、相机位姿与深度信息。它不仅可以重建现实场景、生成新视角，输出点云与 3D Gaussian Splat，还能把物理世界的时间与空间结构直接接入机器人仿真流程。

　　在炫酷的演示视频之外，从具身智能的真实落地需求来看，问题会变得具体起来：一段现实视频，究竟怎样才能变成机器人可以进入、观察、行动和接受测试的世界?

　　从一段视频到一个空间

　　Atlas 的演示从一张照片开始。画面里是一只站在菜地中的铜色机器人，镜头移到它的背后，机器人原本没有被拍到的部分和照片之外的空间随之出现。模型根据已有内容以及对现实世界的先验，补出一个新的视角。

　　相机的位置和朝向也可以直接成为输入。用户可以预先设计一条运动路径，让模型沿着路径输出连续视频。官方演示中，1 到 6 张参考图可以生成最长 1 分钟、最高 1440p 的视频。pan、truck、crane 等电影术语描述的是运镜意图，生成结果受到相机在空间中移动的几何路径约束。相机每移动到一个位置，模型都要同时处理新的观察方向、已经出现的画面内容和前后视角之间的关系，连续镜头由此保持共同参照。

　　当多张散乱照片同时输入时，这种空间感知更加明显。若将两张互不相关的参考图摆在三维空间的不同位置，Atlas 会在两者之间自动填充门廊、走廊与转角等过渡区域。这些内容并不直接存在于任何一张照片里，而是模型根据两端的位姿与视觉线索，构造出一条连贯的空间。墙角、门框与相近的地面高度，都成为了连接世界的线索。

　　World Labs 将这种底层机制称为空间上下文(spatial context)。Atlas 将文字、图片、相机位姿与深度图统一编码到同一个序列中，再基于上下文推演后续内容。每张输入图片都被赋予明确的三维坐标，每张深度图也都与具体的相机位姿绑定。原本零散的二维画面因此有了共同的坐标系，成为对同一物理空间的不同观测角度。

　　输入的观测数量直接决定了空间的确定性。如果仅有一张花园照片，花园主体能够被较好地还原，但画框之外的建筑与道路主要依赖模型的合理推测;一旦加入小屋与主楼的多角度视角，对应区域就会被真实图像精准锁定。官网展示的斯坦福 Main Quad 案例显示，输入 2 到 25 张地面视角照片后，模型便能合成远高于校园地面的空中视角视频。参考图越丰富，几何关系越明确，模型需要凭空想象的成分就越少。

　　这种空间表示还可以直接导出为显式三维结果。Atlas 支持从单张图片联合推演新视角与三维几何，并转化为 3D Gaussian Splat。面对真实场景的视频输入，它能逐帧预测深度，把深度图汇聚为点云与可渲染的高斯场景。颜色、相机位姿与物体深度关系被整合为可多角度查看的三维对象。视频与图像足以满足人类的视觉浏览，但要让机器人、游戏引擎与设计软件使用，则必须依赖这种可检查、可导出的显式三维结构。

　　在底层架构上，Atlas 采用了多模态自回归扩散 Transformer。自回归结构负责组织文字、图像、视频、位姿与深度等序列;扩散过程通过 rectified flow 逐步生成高保真的图像与视频信号;Transformer 充当统一的骨干网络处理多模态交互。空间上下文将散乱观测接入统一关系网，生成过程再顺着新的相机位姿延展出图像与深度，相机轨迹、画面内容与几何结构由此在同一个计算框架内达成一致。

　　空间还是传感器?

　　重建一个静态仓库相对容易，但当机器人真正走入真实场景时，系统必须持续回答的问题是：在当前的机身位姿下，视觉与深度相机究竟应该看到什么?

　　Atlas 的仓库演示打通了这一链路。研究人员利用手机视频中的 24 帧画面重建了两个大型环境，随后放入不同形态的机器人并设定各自的行走路线。Atlas 顺着这些移动轨迹，实时生成了机载相机应该采集到的 RGB 与深度数据。环境的三维重建、机器人的运动轨迹与相机的观测数据共享同一套空间上下文，视角能够随着机器人的物理移动无缝更新。

　　随着机器人沿新路线前行，机载相机的位置与朝向不断变化。前一时刻看到的货架正面，移动后变为侧面;近处的纸箱移出视野，通道深处的物品逐渐展现。RGB 画面与深度数据随位置变化同步刷新，而背后的环境、路线与传感器始终绑定在同一个仓库中。

　　相机控制评测(Camera Control Evaluation)直接检验了这种几何控制力。评测为模型提供一张输入图与 1 到 3 段 pan、truck、crane 等运动路径。Atlas 直接接收具体的相机几何轨迹，而对比模型则接收自然语言运镜描述，再由第三方评估生成画面是否契合目标路径。World Labs 公布的数据显示，Atlas 的得票率在各对比模型中表现突出：相对于 MiniMax H3 为 75%、Gemini Omni Flash 为 81%、HappyHorse 1.1 为 86%、FLUX 3 为 93%、Seedance 2.5 为 94%。相机运行轨迹越复杂，Atlas 的几何跟随优势就越显著。

　　需要注意的是，这项评测重点考量的是相机轨迹控制力，并未覆盖视频的综合画质，也未消除不同模型输入接口的天然差异。但 Atlas 展示出的核心优势在于：它能把确定的几何路径精准转化为符合透视规律的画面。对机器人而言，这种确定性的几何控制力，远比生成一张好看的孤立图像更接近真实传感器的生成条件。

　　不过，当机械臂触碰到物体的瞬间，仅靠视觉与深度显然不够。纸箱的外形可以从图像中重建，但重量、摩擦力以及受力后的位移需要另一层物理建模。线缆的桌面摆放是一种静态信息，但拉拽、弯曲、插入孔洞时的形变响应则是另一种维度的动态数据。相机标定偏差、机器人底盘误差以及软体物体的形变，都会直接影响最终的操作成败。

　　比如，当机械臂把一根线缆拉向冰箱侧边时，线缆可能先从桌沿滑落，随后抵住机身;随着接触点改变，线缆贴着表面滑动;若继续拉紧，线缆的弯曲幅度与受力方向随之剧变，原本计算好的运动路径可能瞬间失效。在此过程中，机器人看到的是连续刷新的图像与深度，而底层物理引擎必须同时计算接触力、摩擦力、形变与状态转移。

　　Atlas 发布页面展示了刚体、铰接体以及可变形物体的操作演示。只需几段随手拍摄的真实视频，就能辅助构建仿真场景，随后通过替换物体、改变初始位置、调整机器人动作、变更光照与背景，批量生成同类任务的多样化条件。Atlas 负责提供空间几何、传感器观测与环境生成的底座，而任务对齐、动力学标定与物理状态推演，则交由配套的仿真系统完成。

　　World Labs 在 2026 年 7 月发布的 R2S2R(Real-to-Sim-to-Real)框架，展示了这种真实与仿真的转换机制。结合其在 2026 年 7 月 21 日收购的 SceniX 团队在环境、物体与传感器仿真方面的积累，整个工作流从一段现实任务视频开始：首先重建环境、机器人与物体的几何关系，让仿真环境与现实世界执行完全相同的开环动作轨迹，随后对比两端的视觉数据、物体位移与最终结果。这些偏差会被实时反馈到任务表示与仿真校准系统中，使物体的形状、质量、摩擦系数与机器人的运动状态在多元建模中逐步理顺。

　　公开测试案例覆盖了 ALOHA 双臂方块交接、YAM 线缆滑动插接、RB-Y1 绕冰箱布线，以及 Flexiv 试管转移和 xArm 杂物分拣等高难度任务。World Labs 官方指出，这些操控策略完全在仿真环境中训练完成，未引入任何真实世界的数据训练，随后直接零样本迁移至多种实体机器人平台。部分任务在实体机器人上实现了连续 1 小时的自主无错运行。

　　在这套体系中，Atlas 负责将物理现场编译为可合成的空间与传感器世界，R2S2R 负责将任务放回闭环交互中检验，而物理引擎则继续掌管碰撞、动力学与状态回放。在稀疏视角三维重建评测(Sparse-view 3D Reconstruction)中，Atlas 展现出了优异的入口重建能力。官方公布的数据显示，Atlas 的平均重建误差为 25.3，优于 Pi3X(posed)的 28.7、π³ 的 34.7、VGGT-Ω 1B 的 36.4、Depth Anything 3 的 39.3 以及 MapAnything 的 47.7(指标越低越好)。这一指标验证了其从极少数观测推导显式 3D 几何的能力。

　　在此之前，Marble 已经能够将文本、图像、视频与粗糙的三维布局转化为可交互的环境，并无缝接入 MuJoCo、Isaac Sim 和 RoboSuite。但在 Marble 的工作流中，机器人任务资产(如平底锅、纸箱、微波炉等)主要依赖 Infinigen、RoboSuite 等外部工具搭建。而 Atlas 的突破在于，它开始把空间几何、相机轨迹、深度感知、时间演化与机载视角，统统收拢进同一套统一的模型上下文之中。

　　让仿真围绕「失败」运行

　　当一个物理场景被成功重建并完成物理标定后，仿真系统便具备了一项核心能力：将同一个控制策略放在成千上万种微小变化的临界条件中重复测试。研究人员只需固定场景与动作框架，微调物体的摆放位置、改变观察视角或扰动某一物理参数，策略失效的边界就会清晰地浮现出来。

　　R2S2R 的评估实验把这种检查变成了可重复的流程。在 ALOHA 双臂立方体交接任务中，每个策略检查点在仿真中运行 2,000 次，在真实硬件上运行 100 次。仿真用来保持策略之间的排序，跟踪训练过程中的进步和停滞，并找到相近的成功、临界和失败区域。检查点先接受大量仿真试验，再由真实硬件提供对照，研究人员据此筛选模型并判断训练是否有效。

　　以线缆插接任务为例，先固定机器人、物体和任务，只把线缆的起点向旁边移一点。偏差很小时，线缆仍能绕过边缘并插入孔洞;再偏一点，它开始擦过孔口，拉力和接触关系随之改变。相机视角稍微变化，原本稳定的策略也可能连续失败。此时把物体位置、线缆形变、光照、机器人状态和任务难度逐项向外推，成功区域会逐步收窄，临界条件会变得清楚，失败也能被重复回放。

　　每次运行都可以保留同一任务的动作过程和结果。策略在一个位置成功，在相邻位置失败，差异就落在一个更小的范围内;相机改变后失败突然增多，视觉观测和动作执行之间的关系也有了可检查的方向。研究人员再围绕一次失败生成相近条件，观察失败来自接触、视觉、动作执行还是状态估计。

　　这种重复让策略的极限逐渐显形。机器人可以在模型生成的世界里反复被逼到失败边缘，昂贵的真机时间留给已经经过筛选的策略。仿真也从展示成功轨迹，转向寻找成功条件何时失效，以及失效后哪些变化最值得测试。

　　按 World Labs 的分类，世界模型可以承担渲染、模拟和规划等不同角色。Atlas 目前站在渲染与模拟的交界处，提供显式三维、机载视角和任务变体;R2S2R 把这些结果接回策略训练、仿真校准和现实评估。

　　当 World Model 开始生产训练世界

　　Atlas 仍处于少数合作伙伴早期访问阶段。随着系统走向更大规模的机器人训练，需要继续验证模型规模与推理成本、一个任务从现实进入仿真所需的人工量、传感器一致性、动力学误差，以及跨机器人迁移时训练收益能否稳定复现。机器人操作部分也需要更多公开基准，让外部团队能够比较任务建立时间、仿真预测能力和真机表现之间的关系。

　　如果同一个厨房只被记录一次，之后仍能生成不同光照、不同摆放、不同摩擦和不同相机位置，策略就能在同一任务的多个条件下反复运行。平底锅放远一点，纸箱换到另一侧，机械臂从稍有差异的位置接近，仿真都可以把这些变化纳入同一场景。一次真实失败也可以向周围扩展出更接近失败边界的训练条件，供研究人员选择是否送回真机。

　　一段手机视频提供空间起点，一次任务记录带来机器人、物体和传感器之间的关系，光照、摆放、视角、状态和接触条件则可以在仿真中逐步展开，这就是「Real-to-Sim」进入基础模型的理想形态。昂贵的现实采集因此能够持续长出新的仿真世界，训练过程也能围绕容易失败的区域继续推进。

　　世界模型生成的场景开始进入机器人训练环境，承载策略的重复执行，暴露成功与失败之间的细小差异。任务调度、物理校准和策略选择仍需要完整仿真系统与研究人员共同完成。世界模型由此从预测和生成世界，向机器人训练环境的生产延伸，训练系统可以围绕这些世界展开失败区域，再决定哪些策略值得送回真机。