Atlas: Pierwszy multimodalny model świata od startupu Fei-Fei Li
Atlas to przełomowy multimodalny model świata, który generuje obrazy i wideo z precyzyjną kontrolą kamery na poziomie pikseli oraz rekonstruuje je do postaci scen 3D.
Atlas: Pierwszy multimodalny model świata od startupu Fei-Fei Li
Poznajcie Atlas – pierwszy w historii multimodalny model świata. Generuje on obrazy i wideo z kontrolą kamery na poziomie pikseli, a następnie potrafi zrekonstruować te materiały do postaci scen 3D w formacie chmury punktów (point cloud) oraz 3D Gaussian splats. Model jest również szkolony pod kątem symulacji przestrzeni i czasu.
Kluczowe funkcje:
- Czas trwania wideo: Do 1 minuty w rozdzielczości 1440p.
- Obrazy referencyjne: Możliwość wykorzystania do 6 obrazów wejściowych.
Architektura
Atlas opiera się na multimodalnym transformatorze dyfuzyjnym, będącym hybrydą architektury LLM (z autoregresją i cache’owaniem) oraz modeli wideo typu diffusion (służących do odszumiania), dodatkowo wzbogaconej o koncepcję kontekstu przestrzennego. Oznacza to, że każdy element kontekstowy posiada jawne powiązanie 3D poprzez pozycję kamery.
Benchmarki
Model deklaruje przewagę nad wyspecjalizowanymi rozwiązaniami w zakresie generowania z kontrolą kamery (np. MiniMax, Gemini Omni Flash, FLUX) oraz w rekonstrukcji 3D (np. Pi3X, VGGT, Depth Anything 3).
Zastosowania
Silnik jest na tyle precyzyjny, że może być wykorzystywany do szkolenia robotów. Atlas potrafi zbudować jawną scenę 3D z wideo, w której można symulować i trenować ruchy robota (podejście Real-to-Sim-to-Real). Model generuje dane RGB oraz mapy głębi z perspektywy kamer pokładowych robota, umożliwiając nawet tworzenie symulacji pozwalających na manipulację obiektami.
Podsumowanie
To wydanie stanowi imponujące osiągnięcie w dziedzinie sztucznej inteligencji i modelowania.
Dlaczego to ważne
AnalizaAtlas otwiera nowe możliwości w tworzeniu scen 3D i szkoleniu robotów, co może znacząco wpłynąć na rozwój technologii AI. Jest to ważny krok w kierunku integracji sztucznej inteligencji ze światem rzeczywistym.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Google Gemini Pro (Model Google z ogromnym kontekstem)
Główny model roboczy od Google DeepMind z rekordowym oknem kontekstowym wynoszącym ponad 2 miliony tokenów. Zdolny do analizowania całych książek, nagrań wideo oraz dużych baz kodu w ramach jednego zapytania.
Modele językowe wizji (Vision Language Models / VLM)
Multimodalne modele łączące zdolność do percepcji obrazów wizualnych (poprzez podział na patche) z inteligencją tekstową LLM. Umożliwiają rozpoznawanie obiektów na zdjęciach, analizę złożonych wykresów, odczytywanie paragonów oraz rozumienie interfejsów użytkownika.
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.
JSON — dane ustrukturyzowane dla aplikacji, API i agentów AI
Kompletny praktyczny przewodnik po formacie JSON: zasady składniowe, serializacja za pomocą parse/stringify, praca z REST API, JSON Schema oraz strukturalne wyjście dla sztucznej inteligencji.