World Labs öffnet Weltmodell Atlas: Aus Skizze oder Satz wird begehbare 3D-Welt

Worum es geht

World Labs, das KI-Startup der Stanford-Forscherin Fei-Fei Li, hat sein Weltmodell Atlas für alle freigegeben. Seit dem 13. November 2026 kann sich jeder unter atlas.worldlabs.ai anmelden. Zum Start gibt es eine Web-App und eine Programmierschnittstelle (API) für Entwickler. Neue Konten erhalten 10.000 Credits. Vorgestellt hatte World Labs Atlas schon am 1. September 2026. Damals konnten nur ausgewählte Unternehmenspartner das Modell nutzen. Auch die Web-App Viewfinder lief bis vor Kurzem noch als geschlossene Beta mit Warteliste, wie Unite.ai berichtete.

Ein Weltmodell ist eine KI, die räumliche Szenen nicht nur als flaches Bild malt. Sie bildet einen Raum ab, der in sich stimmig ist. Man kann die Kamera hindurchbewegen, Ansichten von Stellen erzeugen, die auf keinem Foto zu sehen waren, und das Ergebnis als 3D-Daten weiterverwenden. Fei-Fei Li kommentierte die Freigabe auf X:

„Atlas ist jetzt für alle verfügbar!! Ich kann es kaum erwarten zu sehen, was die Leute mit unserem neuesten Weltmodell bauen werden!“

Martin Casado, Partner beim Investor a16z, nannte den Start laut der chinesischen Plattform smzdm den größten Schritt in der 3D-Generierung und -Rekonstruktion seit dem Aufkommen generativer KI. a16z ist nicht neutral, deshalb sollte man das Lob mit Vorsicht lesen.

Wie Atlas funktioniert

Technisch beschreibt World Labs Atlas als „Omni-Modell“. Es wurde von Grund auf trainiert und verarbeitet Text, Bilder, Video und 3D-Daten direkt. Die Architektur ist ein multimodaler autoregressiver Diffusions-Transformer. Das Modell erzeugt Bild für Bild nacheinander. Jedes neue Element orientiert sich an allem, was vorher entstanden ist. Jedes Element wird dabei per Diffusion erzeugt, also schrittweise aus Rauschen herausgearbeitet.

Die Besonderheit nennt World Labs den räumlichen Kontext. Ein Sprachmodell merkt sich Text. Atlas verankert dagegen jedes Eingabebild an einer bestimmten Position im 3D-Raum, und jedes erzeugte Bild ist an eine genaue Kameraposition gebunden. Deshalb lässt sich die Kamera „pixelgenau“ steuern, statt sie mit ungenauen Textbefehlen wie „Kamera fährt nach links“ zu dirigieren. SiliconANGLE sieht darin den wichtigsten Unterschied zu älteren Videogeneratoren wie Sora.

Herstellerangaben zu den Fähigkeiten:

• Kamerageführte Generierung: bis zu einer Minute Video in 1440p aus einem oder wenigen Bildern.
• Rekonstruktion: Reale Orte lassen sich laut World Labs oft schon aus zwei bis drei Fotos originalgetreu nachbauen. Atlas kann aber auch über hundert Bilder verarbeiten. Je mehr das Modell sieht, desto weniger muss es erfinden.
• 3D-Ausgabe: Punktwolken und Gaussian Splats. Dabei wird eine Szene aus Millionen kleiner, farbiger, halbtransparenter Flecken zusammengesetzt, die sich schnell aus jedem Blickwinkel darstellen lassen.
• Raum-Zeit-Simulation: Aus den Aufnahmen von drei bis fünf Smartphones entstehen „Bullet Time“-Effekte, also eingefrorene Momente, um die die Kamera kreist. Für die Robotik kann Atlas simulierte Kamera- und Tiefendaten aus der Sicht eines Roboters erzeugen.
• Bilderzeugung: auch 360-Grad-Panoramen aus Text.

In einer Blindstudie mit menschlichen Bewertern zur Frage, wie genau ein vorgegebener Kameraweg eingehalten wird, schnitt Atlas laut SiliconANGLE deutlich besser ab als Gemini Omni Flash und FLUX. Bei der 3D-Rekonstruktion aus wenigen Bildern soll es mehrere Open-Source-Modelle übertreffen. Beides sind Angaben von World Labs, unabhängige Messungen gibt es noch nicht.

Vier Werkzeuge: vom Foto bis zum Spiele-Asset

Auf der Startseite findet man vier Werkzeuge, die zusammen eine Produktionskette ergeben:

• Viewfinder: macht aus einem Bild eine Szene. Man lädt ein JPG-, PNG-, WEBP- oder HEIC-Bild hoch, bewegt eine virtuelle Kamera und lässt neue Blickwinkel rendern. Ausgegeben werden MP4-Videos oder Gaussian Splats (PLY/SPZ). Für die Rekonstruktion realer Orte sind bis zu 64 Eingabebilder möglich.
• Chisel: baut 3D-Umgebungen mit einem KI-Agenten. Als Vorlage dienen Bilder, Dokumente, Web-Adressen oder 3D-Modelle (GLB/glTF/OBJ/FBX). Man beschreibt in normaler Sprache, was entstehen soll. Der Agent baut daraus ein Graumodell, also ein grobes Gerüst aus einfachen Formen ohne Texturen. Atlas rendert dieses Gerüst anschließend zu fertigen Bildern. Das Prinzip: Erst legt man fest, wo Wände und Möbel stehen, dann kommen Stil, Material und Licht dazu.
• Relight: setzt eine Splat-Szene neu ins Licht und fügt Schatten hinzu.
• Splat to mesh: wandelt Splats in ein texturiertes Mesh um, also ein klassisches 3D-Modell aus Dreiecksflächen, im Format GLB, das sich in Spiele-Engines laden lässt.

Dazu kommen eine Blender-Integration und Anbindungen an die Programmier-Agenten Codex und Claude Code.

Was es kostet

Das Startguthaben reicht also, um die Werkzeuge kennenzulernen. Wer zwei vollständige Splat-Szenen baut, hat es aufgebraucht. Für die Anmeldung braucht man eine Handynummer zur Verifizierung. Preise für weitere Credits nennen die Quellen nicht.

Praxistest: Chongqing im Regen

Der Tester von smzdm gab einen einzigen Satz ein: eine Gasse in der Bergstadt Chongqing bei Starkregen, steile Steintreppen, verschachtelte alte Wohnhäuser mit Neonschildern und Wäscheleinen, nasse Steinplatten mit rosa-blauen Spiegelungen und eine Hochbahn, die mitten durch ein Gebäude fährt. Nach etwa einer Minute lag ein Referenzbild vor, das alle diese Elemente enthielt.

Danach übernahm der Chisel-Agent. Er stellte einen Plan in sechs Schritten auf und arbeitete ihn in rund 30 Minuten ab: Gebäudemassen aufteilen, neun Kamerapositionen setzen, Bahn und Hintergrund-Häuser bauen, Balkone, Gitter und Wellblechdächer ergänzen, 15 Neonkästen und Wäscheleinen platzieren, zuletzt jede Kameraeinstellung auf verdeckte Sicht prüfen. Fehler wie einen „8,25 Meter in der Luft schwebenden Brückenpfeiler“ fand und behob das System selbst. Am Ende standen 38 Treppenstufen, je fünf Häuser auf beiden Seiten und eine dreiteilige Bahn mit Stromabnehmern in der Szene. Die Variante „Sturm in tiefblauer Nacht“ lieferte für 160 Credits zwölf fertige Bilder, auf denen auch Details wie Fenstergitter und T-Shirts auf der Leine zu sehen waren.

Für Viewfinder gibt der Tester einen praktischen Hinweis: Die Kamera muss seitlich von der Originalposition weg verschoben werden. Wer sie nur auf der Stelle dreht, bekommt kein Ergebnis, weil die Tiefenschätzung Parallaxe braucht, also den Versatz, der entsteht, wenn sich der Blickpunkt verschiebt. Ein neues Bild dauert etwa eine Minute. Aus mehreren Bildern lässt sich in rund 15 Minuten eine komplette Splat-Szene erzeugen.

Echtzeit und Konkurrenz

Eine Woche zuvor, am 5. November, hatte World Labs Frameboy vorgestellt, eine Forschungsvorschau. Dabei laufen Atlas-Szenen auf Cloud-Grafikkarten und werden mit bis zu 15 Bildern pro Sekunde in den Browser übertragen, während der Nutzer die Kamera steuert. Laut Unite.ai räumt World Labs ein, dass dafür ein leistungsstarker Cloud-Server nötig ist und das Verfahren im Vergleich zu lokalem Rendern teuer ist. Frameboy baut auf dem Vorgänger RTFM vom Oktober 2025 auf, der auf einer einzelnen H100-GPU lief, aber vor allem zwischen vorhandenen Blickwinkeln interpolierte.

Die Konkurrenz meldet sich bereits. Hang Chu vom Unternehmen Viggle veröffentlichte einen direkten Vergleich mit dem eigenen Modell JST-2. Er betont, dass JST-2 3D-Inhalte direkt erzeugt, und kritisiert den Umweg über Gaussian Splats bei Atlas als zusätzlichen Arbeits- und Zeitaufwand. SiliconANGLE nennt außerdem Odyssey, Yann LeCuns AMI Labs und Niantic Spatial als Wettbewerber. World Labs hat nach Angaben von SiliconANGLE 1,2 Milliarden Dollar eingesammelt, unter anderem von Nvidia, AMD und Autodesk.

Einordnung

Die Bildqualität einzelner Ergebnisse ist an der Freigabe weniger spannend als das Paket drumherum. World Labs bietet eine durchgehende, klar bepreiste Arbeitskette an: vom Foto oder Satz über geplante Kamerafahrten und Renderings bis zur 3D-Datei für Blender oder eine Spiele-Engine. Damit passt Atlas zum Trend der Programmier-Agenten. Code für ein Spiel lässt sich heute schnell erzeugen, die Umgebungen und Grafiken bisher kaum. World-Labs-Forscher Ben Mildenhall beschreibt die Aufgabenteilung so: Agenten bauen die grobe Geometrie, Atlas erzeugt das Bild. Designer Ian Curtis zeigte eine begehbare Ego-Perspektive-Welt aus Atlas, dem Coding-Modell Fable 5.2 und three.js.

Es gibt aber Einschränkungen. Eine exportierte Szene ist noch kein Spiel und kein Film: Spielregeln, Figuren und die Prüfung der Assets bleiben Handarbeit. Atlas läuft nur in der Cloud, und die Gewichte sind nicht frei verfügbar. Wer viel baut, verbraucht schnell Credits, und Echtzeit-Erkundung ist laut World Labs selbst noch teuer. Die Benchmark-Erfolge stammen bisher ausschließlich vom Hersteller. Ob Atlas bei komplexen realen Orten hält, was die Demos zeigen, wird sich erst jetzt zeigen, wo viele Menschen es nutzen können.