Atlas: O Primeiro Modelo de Mundo Multimodal da Startup de Fei-Fei Li
Atlas é um modelo de mundo multimodal inovador que gera imagens e vídeos com controle de câmera ao nível de pixel, reconstruindo-os em cenas 3D.
Atlas: O Primeiro Modelo de Mundo Multimodal da Startup de Fei-Fei Li
Conheça o Atlas – o primeiro modelo de mundo multimodal da história. Ele gera imagens e vídeos com controle de câmera ao nível de pixel e pode reconstruí-los em cenas 3D nos formatos explícitos de nuvem de pontos e splats gaussianos 3D. Além disso, foi treinado para simulações espaço-temporais.
Principais Recursos:
- Duração do Vídeo: Até 1 minuto em resolução 1440p.
- Imagens de Referência: Até 6.
Arquitetura
O Atlas emprega um transformer de difusão multimodal, essencialmente uma híbrida entre a arquitetura de LLM (com autorregressão + cache) e modelos de vídeo por difusão (para denoising), combinada ainda mais com a ideia de contexto espacial. Isso significa que cada elemento contextual possui uma anexação 3D explícita através da posição da câmera.
Benchmarks
Ele afirma superioridade sobre modelos especializados em gerações controladas por câmera (MiniMax, Gemini Omni Flash, FLUX, etc.) e em reconstrução 3D (Pi3X, VGGT, Depth Anything 3, etc.).
Aplicações
O motor é tão preciso que pode ser usado para treinar robôs. O Atlas pode construir uma cena 3D explícita a partir de vídeo, onde o movimento do robô pode ser simulado e treinado (isso é chamado de abordagem Real-to-Sim-to-Real). O modelo gera RGB e profundidade a partir da perspectiva das câmeras embarcadas no robô e pode até criar uma simulação onde a manipulação de objetos é possível.
Conclusão
Este lançamento é uma conquista impressionante no campo da IA e modelagem.
Por que isso importa
AnáliseO Atlas abre novas possibilidades para a criação de cenas 3D e treinamento de robôs, impactando significativamente o desenvolvimento de tecnologias de IA. Este é um passo importante para integrar a IA ao mundo real.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
Google Gemini Pro (Modelo Google com Contexto Ilimitado)
Modelo de trabalho principal da Google DeepMind, com uma janela de contexto recorde de mais de 2 milhões de tokens. Capaz de analisar livros inteiros, vídeos longos e bases de código massivas em uma única solicitação.
Raciocínio Multimodal Nativo
Arquiteturas de IA capazes de realizar raciocínio lógico profundo sobre código, diagramas de arquitetura, capturas de tela de UI e fluxos de vídeo em um único espaço de atenção.
Pesquisadores do MIT mostram que GPT-6 Astra pode melhorar outros modelos de IA alterando seus pesos
Em um experimento, a Astra aumentou a precisão do Qwen3.5-0.8B no MATH-500 de 7,9% para 48,1% ao alterar apenas 0,016% dos pesos do modelo.
JSON — dados estruturados para aplicações, APIs e agentes de IA
Guia prático completo sobre o formato JSON: regras de sintaxe, serialização via parse/stringify, integração com REST API, JSON Schema e saída estruturada para inteligência artificial.