World Labs lança Atlas, world model para inteligência espacial

O que é o Atlas

A World Labs anunciou o Atlas, um "omni world model" de inteligência espacial, pré-treinado do zero para operar nativamente em texto, imagens, vídeo e 3D. A empresa define world models como sistemas capazes de gerar, reconstruir e simular mundos, com aplicações criativas, simulação de alta fidelidade e planejamento de ações para robôs.

Arquitetura

Atlas é um transformer de difusão autorregressivo multimodal: as entradas são combinadas em um "contexto espacial", no qual cada imagem é ancorada em uma posição 3D no espaço. A partir desse contexto, o modelo gera o que vem depois, mantendo consistência 3D com o que já viu e imaginando o que está fora do campo de visão. O design combina ideias de LLMs (autoregressão, possibilidade de KV-caching) e de modelos de difusão de imagem/vídeo (rectified flow, distilação, guidance). A World Labs afirma que o desempenho melhora com mais compute de treinamento e que espera que essa tendência continue.

Capacidades

• Geração com controle de câmera: a partir de uma a seis imagens de referência, gera novas vistas em qualquer posição e ângulo de câmera, com geometria precisa como entrada nativa, produzindo vídeos de até 1 minuto em 1440p. Imagens não relacionadas podem ser posicionadas em 3D no contexto e o modelo interpola mundos entre elas.
• Reconstrução espacial: reconstrói cenas reais de poucas imagens (tipicamente duas ou três), preenchendo lacunas com conhecimento de mundo ou, com mais entradas (mais de cem), produzindo reconstruções fiéis. Também gera saídas 3D explícitas, como nuvens de pontos e 3D Gaussian splats renderizáveis no dispositivo.
• Simulação espaço-tempo: reframing de vídeos capturados com apenas três a cinco câmeras comuns (celulares em tripés), sem estúdio profissional, e fluxos Real-to-Sim para robótica: reconstrução de ambientes a partir de vídeos de celular e geração dos dados RGB e profundidade que os sensores de robôs simulados observariam, incluindo manipulação de objetos rígidos, articulados e deformáveis.
• Geração de imagens: embora não seja o foco principal, gera imagens e panoramas 360 a partir de texto, seguindo prompts complexos e renderizando texto.

Benchmarks

A empresa apresenta avaliações quantitativas em duas tarefas. Em geração condicionada por câmera, avaliadores humanos terceirizados preferiram o Atlas frente a modelos de vídeo recentes: 75% contra MiniMax H3, 81% contra Gemini Omni Flash, 86% contra Happy Horse 1.1, 93% contra FLUX 3 e 94% contra Seedance 2.5, com vantagem crescente em trajetórias mais complexas. A empresa ressalva que engenharia de prompt mais sofisticada poderia melhorar o desempenho dos concorrentes, que não aceitam câmera como entrada nativa. Em reconstrução 3D a partir de vistas esparsas, o Atlas registrou menor erro médio (25,3 AbsRel ×10⁻³) que especializados como Pi3X (28,7), π³, VGGT-Ω 1B, Depth Anything 3 e MapAnything (47,7), com baselines reproduzidos para protocolo comum.

Disponibilidade e conclusão

O Atlas entrará em acesso antecipado com parceiros selecionados e alimentará versões futuras do Marble e outros produtos da World Labs. A empresa também está contratando em pesquisa e engenharia e afirma que modelos futuros devem melhorar substancialmente com o contínuo aumento de escala.