Atlas is an omni model that we pretrained from scratch to natively operate on text, images, video, and 3D. It is a multimodal autoregressive diffusion transformer: all inputs are combined into a shared spatial context. Atlas uses that context to generate what comes next, staying consistent in 3D with everything it has seen and imagining what lies beyond it.
Впрочем, все это лучше один раз увидеть, чем сто раз прочитать: очень советую сходить по ссылке на их пост и все иллюстрации посмотреть (а некоторые даже и потыкать, что важно).
То, что у них получилось, не только создателям мультиков окажется полезно, куда интересней создание симуляций для обучения разных представителей мира Physical AI.
https://www.worldlabs.ai/blog/atlas
