World Labs stellt Atlas vor: Ein Modell für 3D-Welten aus wenigen Fotos

Atlas: Ein Modell für 3D-Welten aus wenigen Fotos

Am 1. September hat World Labs Atlas angekündigt, ein einzelnes KI-Modell, das [Herstellerangabe] 3D-Welten aus wenigen Fotos generieren, rekonstruieren und simulieren kann. Das von Fei-Fei Li mitgegründete Start-up beschreibt Atlas [Herstellerangabe] als „omni world model“, das von Grund auf mit Text, Bildern, Video und 3D-Daten trainiert wurde. Anders als reine Sprach- oder Videomodelle verankert Atlas [Herstellerangabe] jede Eingabe an einer Position im 3D-Raum; World Labs nennt diesen gemeinsamen räumlichen Kontext „shared spatial context“. Dadurch verarbeitet das Modell [Herstellerangabe] Text, Bild, Video und 3D nativ in einem gemeinsamen räumlichen Bezug. Technisch handelt es sich [Herstellerangabe] um einen multimodalen autoregressiven Diffusion-Transformer, bei dem Kamerageometrie als nativer Input behandelt wird. Atlas kann [Herstellerangabe] kameragesteuerte Videos von bis zu einer Minute Länge in 1440p aus einem oder mehreren Referenzbildern erzeugen. Für die 3D-Rekonstruktion genügen laut World Labs [Herstellerangabe] zwei oder drei Bilder; das Modell gibt sowohl neuartige Ansichten als auch explizite 3D-Ausgaben wie Punktwolken oder Gaussian Splats aus. Fei-Fei Li hatte bereits im November 2025 in einem Essay für 3D-native Architekturen argumentiert.

Benchmarks und Early Access: Atlas schlägt Spezialisten

World Labs veröffentlichte zudem Benchmark-Zahlen, die die Leistung des Modells im Vergleich zu anderen Ansätzen zeigen. Bei der 3D-Rekonstruktion aus wenigen Ansichten erreicht Atlas [Herstellerangabe] mittlere absolute relative Punktkartenfehler von 8,6 auf DTU, 9,3 auf ETH3D und 12,4 auf ScanNet. Diese Werte liegen nach Angaben des Unternehmens [Herstellerangabe] unter denen aller reproduzierten Open-Source-Spezialisten – im Durchschnitt über die Benchmarks beträgt der Fehler 25,3 gegenüber 28,7 des nächstbesten Spezialisten. Die niedrigen Fehlerwerte bedeuten eine geringere Abweichung der rekonstruierten Punktkarten von den tatsächlichen 3D-Strukturen, was eine präzisere räumliche Rekonstruktion aus nur zwei oder drei Bildern anzeigt; der Abstand zum besten Spezialisten zeigt, dass Atlas die jahrzehntealte Aufgabe der sparse-view novel view synthesis deutlich besser löst. Der Grund dafür liegt in der Architektur: Atlas wurde [Herstellerangabe] von Grund auf nativ mit 3D-Daten trainiert und behandelt Kamerageometrie als direkten Input, statt sie wie herkömmliche Videomodelle nachträglich aus Text-Prompts abzuleiten. World Labs zufolge [Herstellerangabe] führt diese strukturelle Differenz zu konsistenteren und genaueren 3D-Ausgaben.

Auch bei menschlichen Bewertungen wird Atlas häufiger bevorzugt. Drittanbieter-Rater verglichen das Modell bei kameragesteuerter Generierung mit verschiedenen Konkurrenten: Atlas wurde [Herstellerangabe] gegenüber MiniMax H3 in 75 Prozent, gegenüber Gemini Omni Flash in 81 Prozent, gegenüber Happy Horse 1.1 in 86 Prozent, gegenüber FLUX 3 in 93 Prozent und gegenüber Seedance 2.5 in 94 Prozent der Fälle bevorzugt. Die hohen Präferenzraten erklären sich ebenfalls aus der nativen Kamerageometrie: Da Atlas [Herstellerangabe] die gewünschte Kameraposition und -winkel direkt als geometrischen Input erhält, erzeugt es realistischere und konsistentere Videos, während Videomodelle die Kamerabewegung erst aus Textbeschreibungen erschließen müssen. Atlas ist kein Produktstart, sondern geht zunächst in den Early Access mit ausgewählten Partnern über ein Anfrageformular; Preise, API oder ein öffentliches Datum wurden nicht bekannt gegeben. World Labs gibt an [Herstellerangabe], dass Atlas künftige Versionen von Marble antreiben wird, dem bestehenden Tool des Unternehmens zum Bau erkundbarer 3D-Welten. Die Zahlen stammen aus einem Blogbeitrag, den das Unternehmen als Forschungsbeitrag mit BibTeX-Zitation veröffentlichte.