Présentation du modèle Atlas
Atlas est un omni‑model développé par World Labs. Il a été pré‑entraîné de zéro pour accepter simultanément du texte, des images, des vidéos et des données 3D. L’architecture repose sur un transformer de diffusion autoregressif qui fusionne tous les flux d’entrée dans un contexte spatial partagé. Cette conception permet au modèle de prédire le contenu suivant tout en conservant la cohérence géométrique dans l’espace tridimensionnel.
Le modèle a été conçu pour être scalable : les performances augmentent proportionnellement à la puissance de calcul utilisée pendant l’entraînement, et les auteurs prévoient que la tendance se poursuive avec de nouveaux cycles de formation.
Fonctionnement technique et gestion du contexte spatial
Chaque image ou trame vidéo est ancrée à une position 3D explicite. Cette ancre constitue la géométrie de caméra native du système, contrairement aux approches qui ne reçoivent que des instructions textuelles de type « zoom ». En pratique, le modèle encode les entrées dans un vecteur de contexte, puis génère des sorties conditionnées par ce vecteur. Le processus de diffusion autoregressif assure que chaque pixel ou point généré respecte les contraintes spatiales imposées par les ancres précédentes.
Le fait d’intégrer la géométrie de caméra dès le départ simplifie la génération de vues nouvelles : l’utilisateur spécifie une position et une orientation, et Atlas produit immédiatement l’image correspondante, sans étape de post‑traitement pour aligner les perspectives.
Applications concrètes et performances mesurées
Atlas réalise plusieurs tâches : génération contrôlée par caméra, reconstruction spatiale, simulation espace‑temps et création d’images à partir de texte. En génération vidéo, il peut produire jusqu’à une minute de séquence à 1440p, soit 60 s × 30 fps ≈ 1800 images, tout en maintenant la cohérence de la scène. En reconstruction, le modèle délivre des résultats fiables avec seulement deux à trois images d’entrée, surpassant les modèles spécialisés en reconstruction 3D qui nécessitent souvent des dizaines voire des centaines de vues.
Lorsque le nombre d’images augmente (jusqu’à plus de cent images), la sortie devient presque entièrement fidèle aux données capturées, réduisant l’effet d’imagination du modèle. Cette flexibilité permet d’ajuster le compromis entre précision et créativité selon le besoin de l’application.
Sorties 3D et implications pour les pipelines industriels
Outre les rendus 2D, Atlas produit directement des nuages de points ou des gaussian splats 3D. Le modèle estime la profondeur de chaque trame vidéo et assemble les cartes de profondeur en une représentation volumétrique. Cette capacité ouvre la voie à des flux de travail « Real‑to‑Sim » pour la robotique, le VFX, le jeu vidéo ou la conception assistée par ordinateur, où des environnements virtuels réalistes sont requis rapidement et sans matériel de capture spécialisé.
En résumé, Atlas combine une architecture de diffusion autoregressive, une gestion explicite du contexte spatial et une capacité multimodale pour offrir une génération et une reconstruction 3D à grande échelle. Son architecture modulaire et son évolution avec le calcul disponible en font un candidat solide pour les futures plateformes de création de contenu et de simulation.
