Atlas: El Primer Modelo Mundial Multimodal de la Startup de Fei-Fei Li
Atlas es un innovador modelo mundial multimodal que genera imágenes y videos con control de cámara a nivel de píxeles y puede reconstruirlos en escenas 3D.
Atlas: El Primer Modelo Mundial Multimodal de la Startup de Fei-Fei Li
Presentamos Atlas: el primer modelo mundial multimodal en la historia. Genera imágenes y videos con control de cámara a nivel de píxeles y puede reconstruirlos en escenas 3D en formato explícito de nubes de puntos y 3D Gaussian splats. También está entrenado para simulaciones espacio-temporales.
Características Clave:
- Duración del Video: Hasta 1 minuto en 1440p.
- Imágenes de Referencia: Hasta 6.
Arquitectura
Atlas utiliza un transformador de difusión multimodal, que es esencialmente un híbrido de arquitectura LLM (con autorregresión + almacenamiento en caché) y modelos de video de difusión (para eliminación de ruido), combinado con la idea de contexto espacial. Esto significa que cada elemento contextual tiene un anclaje 3D explícito a través de la posición de la cámara.
Referencias
Asegura ser superior a modelos especializados en generaciones controladas por cámara (MiniMax, Gemini Omni Flash, FLUX, etc.) y en reconstrucción 3D (Pi3X, VGGT, Depth Anything 3, etc.).
Aplicaciones
El motor es tan preciso que se puede utilizar para entrenar robots. Atlas puede construir una escena 3D explícita a partir de video, donde se puede simular el movimiento del robot y entrenarlo (esto se llama el enfoque Real-to-Sim-to-Real). El modelo genera RGB y profundidad desde la perspectiva de las cámaras a bordo del robot y puede incluso crear una simulación donde es posible manipular objetos.
Conclusión
Este lanzamiento es un logro impresionante en el campo de la IA y la modelación.
Por qué es importante
AnálisisAtlas abre nuevas posibilidades para crear escenas 3D y entrenar robots, lo que podría tener un impacto significativo en el desarrollo de tecnologías de IA. Este es un paso importante hacia la integración de la IA en el mundo real.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Google Gemini Pro (Modelo de Google con Contexto Infinito)
Modelo de trabajo principal de Google DeepMind con una ventana de contexto récord de más de 2 millones de tokens. Capaz de analizar libros completos, grabaciones de video y enormes bases de código en una sola consulta.
Razonamiento Multimodal Nativo
Arquitecturas de inteligencia artificial capaces de realizar razonamientos lógicos profundos sobre código, diagramas de arquitectura, capturas de pantalla de UI y secuencias de video en un único espacio de atención.
Investigadores del MIT muestran que GPT-6 Astra puede mejorar otros modelos de IA cambiando sus pesos
En un experimento, Astra elevó la precisión de Qwen3.5-0.8B en MATH-500 del 7,9% al 48,1% cambiando solo el 0,016% de los pesos del modelo.
JSON — Datos estructurados para programas, APIs y agentes de IA
Guía práctica y completa sobre JSON: especificación de sintaxis, serialización con parse y stringify, consumo de APIs REST, validación con JSON Schema y salidas estructuradas para LLMs.