World Labs will mit Weltmodell Atlas spezialisierte 3D-Modelle überflüssig machen

Atlas ist laut World Labs ein sogenanntes Omni-Modell, das von Grund auf trainiert wurde. Es kann Text, Bilder, Video und 3D-Daten in einem einzigen System verarbeiten. Der Kern des Ansatzes besteht darin, alle Eingaben an einer konkreten Position im dreidimensionalen Raum zu verankern, statt sie nebeneinander zu verarbeiten.

World Labs nennt dieses gemeinsame räumliche Verständnis "spatial context". Aus ihm generiert das Modell den jeweils nächsten Bildausschnitt oder die nächste Ansicht, passend zu allem, was es bereits gesehen hat. Genau diese räumliche Verankerung unterscheidet Atlas nach Angaben des Unternehmens von reinen Sprach- oder Videomodellen.

Firmengründerin Fei-Fei Li hatte im November 2025 in einem Essay genau hier die zentrale Forschungslücke verortet. Aktuelle multimodale Sprachmodelle und Video-Diffusionsmodelle zerlegten Daten in ein- oder zweidimensionale Sequenzen, was schon einfache räumliche Aufgaben unnötig schwer mache. Nötig seien Architekturen, die Tokenisierung, Kontext und Gedächtnis 3D- oder 4D-bewusst organisieren.

Eine Minute Video in 1440p

Atlas soll ein breites Spektrum an Aufgaben abdecken. Bei der kameragesteuerten Generierung erzeugt das Modell laut World Labs aus einem oder mehreren Bildern neue Ansichten an frei wählbaren Kamerapositionen und Blickwinkeln. Die Kameraführung wird dabei direkt als geometrische Angabe übergeben, statt sie wie bei vielen Videomodellen über Textbefehle grob zu beschreiben. So lasse sich jede Kamerabewegung genau festlegen.

Atlas gibt nach Angaben des Unternehmens bis zu eine Minute Video in 1440p-Auflösung aus. Nutzer könnten so jede Einstellung selbst bestimmen, statt "am Hebel eines Spielautomaten zu ziehen". Mit diesem Vergleich grenzt World Labs die kontrollierte Generierung von zufälligen Ergebnissen ab.

Atlas erhält neben dem Eingabebild eine konkrete Kamerabahn als geometrische Angabe und erzeugt daraus die passende neue Ansicht. | Bild: World Labs

Bei der räumlichen Rekonstruktion baut Atlas reale Szenen aus einem bis zu mehreren Dutzend Eingabebildern nach, ohne spezielle Aufnahmetechnik. Je mehr Bilder das Modell erhält, desto weniger muss es fehlende Bereiche aus eigenem Wissen ergänzen und desto genauer wird die Rekonstruktion.

Bereits mit zwei oder drei Bildern liefere Atlas treue Ergebnisse und übertreffe spezialisierte 3D-Modelle. Es könne aber auch über hundert Eingabebilder verarbeiten. In einem Beispiel setzt das Modell Stanfords Main Quad schrittweise aus zwei bis 25 bodennahen Aufnahmen zusammen und erzeugt daraus sogar Flugansichten weit über dem Campus.

Aus einer Aufnahme auf Straßenniveau generiert Atlas Flugansichten weit über der Stadt. | Bild: World Labs

Bei genau dieser Aufgabe stoßen gängige Modelle bislang an Grenzen. In einem Vergleich innerhalb des Frameworks OpenWorldLib zeigten Systeme wie VGGT und InfiniteVGGT geometrische Inkonsistenzen und unscharfe Texturen, sobald sich die Kamera stark bewegte.

Explizite 3D-Ausgaben und Robotik-Simulation

Anders als reine Bild- oder Videomodelle kann Atlas laut World Labs seine Ergebnisse auch als echte 3D-Daten ausgeben, weil es neben Bildern auch Tiefeninformationen verarbeitet. Möglich sind Punktwolken sowie 3D‑Gaussian-Splats, die eine Szene aus vielen kleinen räumlichen Bildpunkten zusammensetzen und sich flüssig aus jedem Winkel betrachten lassen. Diese Darstellung entspricht der in Marble, dem bestehenden Produkt des Unternehmens.

Neben Bildern gibt Atlas Szenen auch als explizite 3D-Daten aus, hier als Punktwolke mit der zugehörigen Kamerafahrt. | Bild: World Labs

Als Simulator soll Atlas Raum und Zeit gemeinsam abbilden. Aus dem Material weniger Kameras lasse sich ein "Bullet Time"-Effekt erzeugen, bei dem eine Szene eingefroren und aus sonst unmöglichen Winkeln betrachtet wird. Die gezeigten Aufnahmen seien mit einigen wenigen Mobiltelefonen und Action-Kameras entstanden, nicht mit professionellem Equipment. Für die Robotik dient das Modell als Werkzeug für sogenannte Real-to-Sim-Abläufe, bei denen aus realen Aufnahmen eine Simulation entsteht.

Atlas rekonstruiert einen Raum und erzeugt passend dazu die Bild- und Tiefendaten, die die Sensoren eines simulierten Roboters entlang seines Weges sehen würden. Aus wenigen Aufnahmen ließen sich zudem Greif- und Bewegungsaufgaben simulieren und variieren, etwa durch geänderte Objekte, Positionen, Beleuchtung oder Hintergründe. Das soll vielfältige Trainingsdaten für Roboter liefern, ohne dass jede Situation real aufgenommen werden muss.

Diesen Ansatz hatte World Labs im August 2026 mit seiner Real-to-Sim-to-Real-Engine bereits als eigenes Produkt gezeigt. Sie erzeugt aus einer einzigen realen Aufgabe tausende Varianten und trainiert Steuerungsmodelle vollständig virtuell. Auf fünf Roboterplattformen liefen die Modelle nach Unternehmensangaben jeweils eine Stunde lang ohne menschlichen Eingriff. Die Technik stammt vom im Juli übernommenen Start-up SceniX.

Die Bildgenerierung aus Text ist nach Angaben des Unternehmens nicht der Hauptfokus. Atlas könne aber komplexen Vorgaben folgen, Text darstellen, verschiedene Stile abbilden und 360-Grad-Panoramen erzeugen.

Architektur zwischen Sprach- und Videomodell

Atlas verbindet laut World Labs Ideen aus modernen Sprachmodellen und aus Videomodellen. Vom Aufbau her funktioniert es einerseits wie ein Sprachmodell, das seine Ausgaben Stück für Stück erzeugt. Dadurch lasse es sich mit denselben Techniken beschleunigen, die auch große Sprachmodelle schneller machen, etwa dem Zwischenspeichern bereits berechneter Werte (KV-Caching).

Andererseits arbeitet Atlas wie ein Bild- oder Videomodell nach dem Diffusionsprinzip und erzeugt seine Ausgaben, indem es sie schrittweise aus Rauschen herausfiltert. Von dieser Seite könne das Modell wiederum von Verfahren profitieren, die diesen Prozess verkürzen oder die Bildqualität steigern.

Ein einzelner Benchmark könne die Vielseitigkeit des Modells nicht abbilden, so das Unternehmen. In Tests zur kameragesteuerten Generierung, bei denen externe menschliche Bewerter urteilten, sowie zur 3D-Rekonstruktion aus wenigen Ansichten übertreffe Atlas spezialisiertere Modelle.

Die Bewerter entschieden sich in 75 Prozent der Fälle gegenüber MiniMax H3 für Atlas, gegenüber Gemini Omni Flash in 81, gegenüber Happy Horse 1.1 in 86, gegenüber FLUX 3 in 93 und gegenüber Seedance 2.5 in 94 Prozent. Bei der Rekonstruktion liegt Atlas beim mittleren Fehler mit 25,3 vor den Spezialmodellen Pi3X und VGGT-Ω 1B.

In den Paarvergleichen zur kameragesteuerten Generierung entscheiden sich die Bewerter durchgehend mehrheitlich für Atlas. | Bild: World Labs

Das Unternehmen betont, dass sich die Leistung von Atlas mit steigender Trainingsrechenleistung verbessere, und erwartet, dass dieser Trend beim weiteren Skalieren anhält. Atlas soll künftige Versionen von Marble und weitere Produkte antreiben. Derzeit ist das Modell in einem Early-Access-Programm für ausgewählte Partner verfügbar.

Beim gemittelten Rekonstruktionsfehler liegt Atlas vor allen verglichenen Spezialmodellen, niedrigere Werte sind besser. | Bild: World Labs

Vom begehbaren Foto zum Omni-Modell

World Labs wurde 2024 von Fei-Fei Li gegründet, die mit ImageNet eine Grundlage der modernen Bilderkennung schuf und von 2017 bis 2018 die KI-Sparte von Google Cloud leitete. Zum Start sammelte das Unternehmen 230 Millionen Dollar ein, unter anderem von Andreessen Horowitz, AMD, Intel und Nvidia.

Ein erstes System erzeugte Ende 2024 aus einzelnen Fotos begehbare 3D-Umgebungen, in denen sich Nutzer allerdings nur wenige virtuelle Meter bewegen konnten, bevor sie an unsichtbare Grenzen stießen. Im November 2025 folgte Marble, im Februar 2026 dann eine Finanzierungsrunde über eine Milliarde Dollar mit Autodesk, Andreessen Horowitz, Nvidia und AMD. Bloomberg berichtete zuvor von Gesprächen bei einer Bewertung um fünf Milliarden Dollar.

Was überhaupt als Weltmodell gilt, ist in der Forschung umstritten. Ein internationales Team um die Peking University schlug im April 2026 mit OpenWorldLib eine einheitliche Definition vor und schließt reine Text-zu-Video-Modelle aus, weil ihnen die Rückkopplung mit der realen Welt fehlt. 3D-Rekonstruktion und Simulatoren wie bei Atlas zählen die Autoren dagegen zu den zentralen Bausteinen, weil sie eine überprüfbare Umgebung liefern, in der physikalische Regeln eingehalten werden.