World Labs zeigt Frameboy: KI-Welten live im Browser erkunden

Worum es geht

World Labs, das KI-Start-up der Stanford-Forscherin Fei-Fei Li, hat am 5. November 2026 eine Demo namens Frameboy veröffentlicht. Sie sieht aus wie eine Handheld-Spielkonsole im Browser: Man wählt ein „Spielmodul“, also eine von mehreren vorbereiteten Welten, und bewegt sich anschließend frei darin. Das Besondere: Die Bilder stammen nicht aus einer klassischen 3D-Engine, sondern werden laufend von einer KI erzeugt – von einer stark optimierten Variante des hauseigenen Weltmodells Atlas. Ein Weltmodell ist eine KI, die eine Umgebung erzeugt oder vorhersagt, etwa wie eine Szene aus einem anderen Blickwinkel aussieht.

Die Bilder entstehen auf leistungsstarken Grafikprozessoren in der Cloud und werden mit bis zu 15 Bildern pro Sekunde in den Browser gestreamt. World Labs nennt Frameboy ausdrücklich eine Forschungsvorschau. Fei-Fei Li kommentierte die Ankündigung auf X knapp: „Real time Atlas! Try it now!“

So fühlt sich Frameboy an

Das chinesische Portal ITHome hat die Demo getestet. Nach dem Anklicken eines Moduls dauert das Laden gut zehn Sekunden, dann kann man sich bewegen. Gesteuert wird per Touchscreen oder Tastatur: Das Steuerkreuz bewegt die Kamera durch den Raum, der Stick dreht die Blickrichtung. Die Bedienung fühle sich etwas ruckelig an, schreibt ITHome – kein Wunder bei maximal 15 Bildern pro Sekunde, während Spiele üblicherweise 30 bis 60 liefern.

Zur Auswahl stehen laut Unite.AI kuratierte Szenen: Stanford Quad, die Sutro Baths und der Palace of Fine Arts in San Francisco sowie fiktive Welten wie „Cyberpunk“, „Spaceship Interior“ und „Frozen Fortress“. Laut World Labs wurde jede dieser Welten aus nur einem einzigen Eingabebild erzeugt; Atlas ergänzt die fehlenden Blickwinkel selbst. Reale Orte, die aus mehreren Perspektiven fotografiert wurden, lassen sich auf die gleiche Weise begehbar machen.

Warum Echtzeit einen Unterschied macht

Bisher funktionierte Atlas nach dem Prinzip „bestellen und warten“: Man legt einen Kamerapfad fest, startet die Berechnung und bekommt nach Dutzenden Sekunden bis mehreren Minuten ein Video. World Labs argumentiert, dass diese Wartezeit Nutzer vorsichtig macht – sie planen jeden Schritt genau und probieren weniger aus. Mit kontinuierlichem Stream reagiert man dagegen sofort auf einen unerwünschten Blickwinkel und korrigiert die Richtung. Im Blogbeitrag heißt es:

„Sobald Latenz und Kosten niedrig genug sind, nehmen Nutzer gar keinen einzelnen Akt der ‚Generierung‘ mehr wahr – das Modell streamt einfach fortlaufend Bilder, während sie sich durch die Szene bewegen.“

Als Einsatzfelder nennt das Unternehmen: Sehenswürdigkeiten virtuell erkunden, Kamerapositionen für Filmdrehs suchen, Baufortschritte prüfen, Levels für Videospiele entwerfen und Umgebungen simulieren, in denen Roboter navigieren lernen. Das Magazin Remio gibt zu bedenken, dass schnelleres Feedback nicht automatisch bessere Ergebnisse liefert: Entscheidend sei, ob die Welt beim Herumlaufen stimmig bleibt. Ändert eine Tür zwischen zwei Blickwinkeln ihre Form, könne die Erkundung sogar in die Irre führen. Zudem ist die Bildrate eine Herstellerangabe und nicht unabhängig gemessen.

Technik dahinter: Atlas und sein Vorgänger RTFM

Atlas stellte World Labs am 1. September 2026 vor, als „Omni-Weltmodell“, das von Grund auf für Text, Bilder, Video und 3D trainiert wurde. Technisch handelt es sich um einen multimodalen autoregressiven Diffusions-Transformer: Das Modell verankert alle Eingaben zunächst in einem räumlichen Kontext und erzeugt dann Bild für Bild, jeweils abhängig von den vorherigen. Jedes Bild und jede Tiefenkarte – eine Art Graustufenbild, das die Entfernung jedes Punkts zur Kamera angibt – ist an eine exakt definierte Kameraposition gebunden. Laut Hersteller schafft Atlas bis zu eine Minute Video in 1440p mit Kamerasteuerung, rekonstruiert reale Szenen aus wenigen Fotos und erzeugt auch Punktwolken und 3D Gaussian Splats, eine Methode, Szenen aus vielen kleinen, farbigen Klecksen darzustellen.

Frameboy baut auf RTFM auf, einer Forschungsvorschau vom 16. Oktober 2025. RTFM lief interaktiv auf einer einzigen Nvidia-H100-GPU und arbeitete als „gelernter Renderer“: Er erzeugte neue Ansichten, ohne ein explizites 3D-Modell zu bauen, und nutzte bereits erzeugte Bilder als räumliches Gedächtnis. RTFM konnte aber vor allem zwischen vorhandenen Blickwinkeln interpolieren. Atlas ist deutlich größer, mit um Größenordnungen mehr Daten trainiert und kann Szenen aus nur einem Bild oder einer Textbeschreibung erschaffen.

Viewfinder: eigene Welten bauen

Wer mehr will als die vorbereiteten Szenen, braucht Viewfinder, die Web-App von World Labs zum Bauen von Szenen. Dort setzt man eine Szene Bild für Bild aus eigenen Eingaben zusammen, erzeugt Ansichten aus unterschiedlichen Kamerawinkeln und erhält zu jedem Atlas-Bild Farbe und Tiefe. Eine so gebaute Szene kann anschließend live im Frameboy-Modus erkundet werden. Viewfinder ist allerdings nur in einer geschlossenen Beta über eine Warteliste zugänglich, und auch Atlas selbst war zum Start nur ausgewählten Partnern zugänglich.

Der Haken: Rechenleistung und Kosten

Jedes einzelne Bild ist ein neuer Modellaufruf auf einem Cloud-Server, nicht etwas, das die Grafikkarte im eigenen Gerät zeichnet. World Labs schreibt selbst, Frameboy sei „im Vergleich zu lokalem Rendering nicht billig“. Preise, GPU-Typ, Auflösung, maximale Sitzungsdauer oder wie viele Nutzer ein Server bedienen kann, nennt das Unternehmen nicht. Die Firma ist zuversichtlich: Was langsam und teuer beginne, werde mit besserer Hardware und Software schnell und günstig.

Wie groß das Problem ist, hatte World Labs im RTFM-Beitrag selbst beziffert: Ein interaktiver 4K-Stream mit 60 Bildern pro Sekunde erfordere über 100.000 Tokens pro Sekunde – das sei mit heutiger Infrastruktur weder machbar noch wirtschaftlich. FourWeekMBA rechnet vor: Frameboy liefert mit bis zu 900 Bildern pro Minute ein Viertel dieser Bildrate, bei unbekannter Auflösung.

Passend dazu der Hardware-Bezug: Im September hat AMD vereinbart, World Labs in einem reinen Aktiengeschäft für rund 8,2 Milliarden US-Dollar zu übernehmen. Die Zusammenarbeit soll mit Training und Inferenz-Optimierung auf AMD-GPUs beginnen. Der Abschluss wird bis Ende 2026 erwartet, vorbehaltlich behördlicher Genehmigungen. Auf welchen Chips die Frameboy-Demo läuft, verrät World Labs nicht.

Einordnung

Frameboy ist vor allem ein Schaufenster: Man kann ein KI-Weltmodell in Echtzeit selbst steuern, ohne Anmeldung und ohne eigene Hardware. Konkurrenz kommt vor allem von Google DeepMind, das am 27. Oktober Genie 4 als erstes Echtzeit-Weltmodell mit nativ erzeugtem Ton vorgestellt hat – allerdings ohne Bildrate oder Preis. World Labs nennt immerhin eine konkrete Bildrate und gibt offen zu, dass der Betrieb teuer ist.

Kritisch bleibt: 15 Bilder pro Sekunde wirken ruckelig, der Zugang zu eigenen Welten ist eingeschränkt, und ob die Szenen beim freien Erkunden konsistent bleiben, muss sich zeigen. Die Vision, dass jeder bald eigene virtuelle Welten erschafft und im Browser durchstreift, hängt daran, ob die Kosten pro generiertem Bild drastisch sinken. Für Film, Spieleentwicklung, Architektur und Robotik ist der Schritt von „rendern und warten“ zu „live erkunden“ dennoch ein relevantes Signal.