（来源：图灵人工智能）

转自量子位，仅用于学术分享，如有侵权留言删除

　　一水 发自 凹非寺

　　量子位 | 公众号 QbitAI

　　被AMD高价收购一个月后，李飞飞World Labs带着新成果火速回归！

　　资金到位、算力到位，他们反手就把交互门槛狠狠打下来了： 

　　之前只能眼馋的Atlas，这回终于有了一个「上手就能玩」的推理优化版Frameboy。

　　具体怎么玩？

　　团队成员Andy Cheng二话不说，直接把这套自回归生成系统，当场塞进了一台物理掌机里。

　　就。。。挺酷的。

　　摇杆一掰，视角一推。

　　云端GPU在15 fps的节奏下，逐帧为你搓出来一个全新世界。

　　艾瑞巴蒂，我们离无限游戏又近了一步！

　　掌机当摇控器

　　真别以为这是拿掌机串流现成的3D建模。

　　传统游戏引擎哪怕画质再逼真，本质上也是美术在三维软件里一根多边形一根多边形捏出来的场景树。

　　模型再大，逻辑也是预设好的物理碰撞箱。

　　但Frameboy不一样。

　　它底层跑的，是World Labs那个号称掌握像素级相机控制（pixel-perfect camera control）的自回归大模型Atlas。

　　以前我们玩的世界模型是什么画风？

　　扔一张图进去，等上几分钟，吐出一段摇摇晃晃的视频，你只能当个观众。

　　镜头稍微往后拉一点，画面就开始崩了（doge）。

　　这回Andy Cheng拿掌机实测的交互，换了套玩法：

• 　　视角自由漫游：摇杆往左一掰，相机参数传到云端，模型开始推测左侧从未存在过的物理细节，光影和景深即时重组。

• 　　单图生成三维场：只给一张普通俯拍图或一句Prompt，Atlas就能以这层像素为基础，当场脑补出整座斯坦福广场、哥特庭院或深山古村。

• 　　云端逐帧渲染：画面以最高15 fps从云端GPU串流到屏幕上，延迟控制在了体感能接受的范围内。

　　说白了，你按下的每一次方向键，都在让模型现场重新计算一次物理细节。

　　一时间有点感慨。

　　原本以为世界模型走向实时交互还得再熬上两代，结果他们直接把进度条往前拽了一大截。

　　怎么优化的

　　那Atlas那么大一个自回归怪物，到底凭什么能跑出15 fps？

　　先理清它的「前身」。

　　去年的轻量化模型RTFM虽然快，但本质上只是在几个已知视点之间做插值——

　　只能在拍好的几张图之间补画面。

　　而Atlas是站在海量数据上堆出来的真·大模型，能「无中生有」地从零生成世界（哪怕只给一张图或一句话），还能保持相当强的3D空间一致性。

　　但大模型的代价就是「性缩力拉满」的推理延迟。

　　要想让手指和像素产生即时反馈，World Labs在工程架构上玩了一手绝活：

　　Frameboy运行的并非Atlas的完整原始权重，而是一个经过极端优化的专用变体，在保留极高新视点合成能力的同时，将单帧生成的算力开销压榨到了极限。

　　不仅如此，他们还顺手把这套实时管线缝合进了自家编辑器Viewfinder里。

　　开发者可以一边用Atlas按帧堆砌自己的世界，一边直接拉起Frameboy的实时浮层，像打游戏一样开着第一人称视角杀进场景里乱窜。

　　从算法巨兽到掌中玩物，这中间省下来的显存和Token账本，显然是AMD入主后拿硬件工程底座狠狠洗刷过的痕迹。

　　而算力成本一旦继续下探，实时交互的门槛自然也会跟着进一步降低。

　　目前打开Frameboy官网，填一下注册就能体验：

　　整个交互界面就是一个复古掌机面板，内置了多个现成场景供人随意穿梭漫游。

　　觉得官方预设的不过瘾，还可以拖入一张自己的实景照片或输入提示词，系统会以此为锚点开始逐帧向外延伸推演。

　　网友Aarav Kothari就分享了一段实际体验视频：

　　满分10分，看完你打几分？

　　参考链接：

　　[1]https://x.com/theworldlabs/status/2118424455873741028

　　[2]https://www.worldlabs.ai/blog/atlas-realtime

　　[3]https://x.com/AndyCheng_JH/status/2118486187551904078

　　[4]https://x.com/aarav_kothari_x/status/2118467473284678089