Atlas, da World Labs, é um único modelo que gera, reconstrói e simula mundos 3D
A World Labs, de Fei-Fei Li, apresentou o Atlas em 1º de setembro, chamando-o de “um modelo de mundo para inteligência espacial”. Tirando o slogan, a alegação técnica é específica: o Atlas é um único transformador de difusão autorregressivo multimodal, pré-treinado do zero, que aceita nativamente texto, imagens, vídeo, poses de câmera e profundidade como entrada e produz imagens, vídeo, nuvens de pontos e Gaussian splats 3D como saída. Não é um modelo de vídeo com um módulo 3D acoplado, nem um modelo de reconstrução com um gerador na frente. É uma única rede.
A World Labs afirma que o Atlas “será a base das futuras versões do Marble”, seu produto de geração de cenas lançado em novembro passado, e que ele melhora com mais capacidade computacional de treinamento, como acontece com modelos de linguagem. O acesso é concedido mediante solicitação a parceiros selecionados. Não há preços nem API pública.
Três funções, um único modelo
A primeira função é a geração controlada por câmera. Forneça ao Atlas uma imagem e uma trajetória de câmera, e ele renderiza um vídeo ao longo desse percurso, com duração de até um minuto e resolução de 1440p. Como a câmera é uma entrada geométrica explícita, e não uma sugestão em texto, o modelo não pode se desviar. A World Labs realizou testes de preferência humana comparando o Atlas com cinco modelos de vídeo atuais em geração controlada por câmera e informa que os avaliadores escolheram o Atlas em 75% dos casos contra o MiniMax H3, 81% contra o Gemini Omni Flash, 86% contra o Happy Horse 1.1, 93% contra o FLUX 3 e 94% contra o Seedance 2.5.
A segunda função é a reconstrução, e esta é a parte pela qual eu pagaria hoje. Forneça ao Atlas desde uma até mais de cem fotos de um lugar real, e ele produz uma nuvem de pontos ou uma cena em Gaussian splats, recuperando também as posições das câmeras. A World Labs afirma que ele supera modelos criados especificamente para reconstrução 3D, incluindo Pi3X e VGGT, no erro relativo absoluto médio em benchmarks padrão como DTU, ETH3D, KITTI e ScanNet, e que, com duas ou três imagens, ele “entrega resultados fiéis e supera modelos 3D especializados”. Como a reconstrução e a geração estão na mesma rede, ele também pode extrapolar: forneça uma única foto de uma rua, e ele produzirá uma vista aérea do quarteirão que não aparece em nenhuma entrada.
A terceira função é a simulação. O Atlas pode reenquadrar um vídeo capturado a partir de três a cinco novos ângulos de câmera, modelar a interação com objetos rígidos, articulados e deformáveis e renderizar RGB e profundidade do ponto de vista de um robô. A World Labs operou cinco plataformas robóticas em ambientes gerados pelo Atlas durante uma hora cada, sem intervenção humana. “O mundo e a visão que o robô tem dele vêm do mesmo modelo”, diz a publicação — e essa é a frase que explica por que a empresa captou tanto dinheiro.
O Atlas como ferramenta de transferência do real para a simulação: o ambiente e a visão dos sensores do robô vêm de um único modelo. Imagem: World Labs.
O desconto de sempre
Esses são números do fornecedor em testes escolhidos pelo próprio fornecedor, e a World Labs admite isso ao reconhecer que “nenhum benchmark isolado captura tudo o que o Atlas pode fazer”. Os testes de preferência comparam o Atlas com modelos de vídeo em uma tarefa — controle de câmera — para a qual o Atlas foi projetado e os outros não. As comparações de reconstrução são mais significativas porque usam conjuntos de dados públicos com métricas publicadas, mas ninguém fora da lista de acesso antecipado as reproduziu de forma independente ainda.
O contexto também importa para interpretar o anúncio. A World Labs captou US$ 1 bilhão em uma rodada Série B em fevereiro, com Autodesk, Andreessen Horowitz, Nvidia e AMD, alcançando uma avaliação reportada de US$ 5 bilhões. O foco em robótica remonta à SceniX, adquirida pela empresa em julho. O Atlas é fruto desse investimento e dessa aquisição, e está sendo apresentado tanto a parceiros e futuros investidores quanto a usuários.
O que isso significa para quem cria jogos
Acompanhamos os modelos de mundo durante todo o ano porque eles representam o desafio mais plausível à maneira como os jogos são criados. O MIRA executou uma partida jogável de Rocket League sem uma engine em julho, e a linha Genie, do Google, continua alcançando horizontes cada vez mais longos. O Atlas aborda o problema por outro caminho. Ele não tenta ser o loop do jogo. Tenta ser aquilo que produz o mundo no qual o loop do jogo é executado.
Isso é mais útil para nós — e provavelmente para você — no curto prazo. Splats e nuvens de pontos não vêm com colisão, navegação ou mecânicas de jogo, então “gerar um mundo 3D” ainda significa “gerar um cenário de fundo” até que alguém resolva a conversão para malhas e colisores. Mas reconstruir uma cena pela qual você possa mover uma câmera a partir de duas ou três fotos de celular é o atalho para criação de ambientes que toda equipe pequena deseja. Se o Atlas fizer isso tão bem quanto indicam os benchmarks, a questão técnica interessante passará a ser como extrair geometria jogável de um splat — e esse é um problema que preferimos ter em vez do atual.
A situação real: é um artigo técnico sólido acompanhado de um formulário de solicitação de acesso. Voltaremos a escrever sobre ele quando alguém de fora da World Labs tiver conseguido testá-lo.