Atlas, da World Labs, é um modelo de mundo para inteligência espacial

O que é o Atlas

A World Labs anunciou o Atlas, um modelo de mundo (world model) para inteligência espacial, pré-treinado do zero para operar nativamente em texto, imagens, vídeos e 3D. A empresa define modelos de mundo como sistemas que geram, reconstruem e simulam mundos, entendendo como eles aparecem, se comportam e evoluem - com aplicações para criação, simulação de alta fidelidade e planejamento de ações de robôs.

O Atlas é descrito como um multimodal autoregressive diffusion transformer: todas as entradas são combinadas em um contexto espacial compartilhado, e cada imagem é ancorada em uma posição 3D no espaço. Segundo a World Labs, essa combinação rompe com arquiteturas padrão de LLMs e modelos de vídeo, mas permite aproveitar avanços de ambos: técnicas de LLM como KV-caching e disaggregated serving, e técnicas de difusão como destilação e classifier-free guidance. A empresa afirma que o desempenho melhora com mais computação de treino e que espera que essa tendência continue.

Capacidades anunciadas

• Geração com controle de câmera: o modelo usa geometria de câmera como tipo de entrada nativo, indo além de instruções textuais. A partir de uma a seis imagens de referência, gera novas vistas em qualquer ângulo, com saídas de até 1 minuto de vídeo em 1440p. É possível posicionar duas imagens não relacionadas no contexto 3D e o modelo interpola mundos entre elas, imaginando transições como portas e corredores.
• Reconstrução espacial: o Atlas reconstrói cenas reais com poucas imagens - tipicamente duas ou três - sem equipamento especial de captura, e pode usar mais de cem imagens para reconstruções fiéis. Quando partes não são visíveis, o modelo imagina um preenchimento plausível; mais imagens de entrada reduzem a imaginação. A World Labs afirma que ele supera modelos especializados de ponta em reconstrução 3D e descreve isso como um avanço na síntese de novas vistas a partir de entradas esparsas, problema antigo da visão computacional. O modelo também gera saídas 3D explícitas, como nuvens de pontos e 3D Gaussian splats, a mesma representação usada no Marble.
• Simulação espaço-tempo: com vídeos gravados por apenas três a cinco câmeras comuns (celulares em tripés), o Atlas permite congelar o tempo e reenquadrar tomadas de ângulos impossíveis, sem estúdio profissional. Em robótica, o modelo reconstrói ambientes a partir de vídeos curtos e gera os dados RGB e profundidade que sensores do robô observariam, apoiando fluxos Real-to-Sim para navegação e manipulação - com variações de objetos, posições, iluminação e fundo para gerar dados de treino em escala. A empresa relata ter capturado dois ambientes grandes com vídeo de celular, 24 quadros cada.
• Geração de imagens: embora não seja o foco principal, o Atlas gera imagens e panoramas 360 a partir de texto ou imagens, seguindo prompts complexos e renderizando texto.

Benchmarks

Como modelo generalista, o Atlas não tem um benchmark único, mas a World Labs apresenta avaliações em duas tarefas. Em geração condicionada por câmera, avaliadores humanos terceirizados preferiram o Atlas frente a modelos de vídeo recentes, com parcelas de voto entre 75% (contra MiniMax H3) e 94% (contra Seedance 2.5); a vantagem cresce conforme as trajetórias ficam mais complexas. A empresa ressalva que engenharia de prompt mais sofisticada poderia melhorar o desempenho dos concorrentes, que não aceitam câmera como entrada nativa e receberam descrições textuais. Em reconstrução 3D a partir de vistas esparsas, o Atlas obteve menor erro médio (8,6 na média geral) que cinco baselines de código aberto especializados, incluindo Pi3X e Depth Anything 3, com resultados reproduzidos pela própria equipe para garantir protocolo comum.

Disponibilidade

O Atlas entra em acesso antecipado com parceiros selecionados e deve alimentar versões futuras do Marble e outros produtos da World Labs. A empresa também está contratando para pesquisa e engenharia.