World Labs udostępnia Frameboy do eksploracji Atlasu w czasie rzeczywistym

World Labs udostępniło Frameboy 5 listopada 2026 roku — wersję poglądową do celów badawczych, która, jak informuje firma, przesyła strumieniowo sceny wygenerowane przez Atlas z procesorów graficznych w chmurze do przeglądarki z szybkością do 15 klatek na sekundę, gdy użytkownicy sterują kamerą. Firma zintegrowała ten tryb również z Viewfinder, swoją aplikacją internetową w zamkniętej wersji beta, służącą do tworzenia scen 3D.

Od żądań renderowania do ciągłej eksploracji

Jak informuje World Labs, zoptymalizowany wariant Atlasu, na którym opiera się Frameboy, zaprojektowano z myślą o szybszym i wydajniejszym wnioskowaniu, przy zachowaniu jakości syntezy nowych widoków. Główna różnica polega na nowej pętli interakcji: zamiast zamawiać wideo i czekać na wynik, użytkownik otrzymuje kolejne klatki na bieżąco i może zmieniać tor ruchu kamery podczas eksploracji.

Gdy ręcznie uruchomione wideo w Atlasie powstaje przez kilkadziesiąt sekund lub kilka minut, użytkownicy — jak twierdzi World Labs — ostrożniej podchodzą do tworzenia scen i planowania toru ruchu kamery, a liczba cykli iteracji maleje. Ciągłe wyświetlanie kolejnych klatek pozwala zareagować na niepożądany widok i natychmiast wprowadzić poprawki. Dzięki temu eksperymentowanie staje się częścią nawigacji, zamiast odbywać się w odrębnych, następujących po sobie zadaniach generowania.

Wśród potencjalnych zastosowań Atlasu wymieniono wyszukiwanie wirtualnych punktów widokowych na potrzeby zdjęć filmowych, kontrolowanie postępów na placach budowy, tworzenie poziomów gier 3D oraz symulowanie środowisk dla robotów. Zadania te wiążą się z wybieraniem lub testowaniem punktów widokowych, co pomaga wyjaśnić, dlaczego World Labs traktuje opóźnienie generowania jako kwestię dotyczącą samego produktu, a nie tylko wskaźnik wnioskowania.

Viewfinder pozwala zbudować scenę przed rozpoczęciem transmisji strumieniowej

Wersja demonstracyjna Frameboy oferuje starannie dobrane menu obejmujące Stanford Quad, Sutro Baths, Palace of Fine Arts, Cyberpunk, Spaceship Interior i Frozen Fortress. World Labs informuje, że sceny można tworzyć na podstawie pojedynczego obrazu, a Atlas generuje dodatkowe punkty widokowe, które uzupełniają kontekst przestrzenny Frameboy; w przypadku rzeczywistych lokalizacji do nawigacji można natomiast wykorzystać wielowidokowe materiały zarejestrowane w terenie.

Viewfinder wykracza poza tę starannie dobraną listę. Użytkownicy tworzą scenę klatka po klatce na podstawie własnych danych wejściowych, generują widoki z różnych kątów kamery i otrzymują zarówno obraz kolorowy, jak i mapę głębi dla każdej nowej klatki Atlasu. Scena utworzona w Viewfinder może następnie posłużyć jako dane wejściowe dla sesji Frameboy w czasie rzeczywistym, podczas której nakładka przesyła strumieniowo generowane klatki w trakcie eksploracji.

Viewfinder można przetestować w zamkniętej wersji beta po zapisaniu się na listę oczekujących; w chwili wprowadzenia Atlasu do wybranych partnerów trafiał on również we wczesnym dostępie. Nowy sposób pracy z transmisją strumieniową jest częścią tych programów o ograniczonym dostępie.

Architektura Atlasu i rodowód RTFM

World Labs zaprezentowało Atlas 1 września 2026 roku jako wszechstronny model świata, wstępnie wytrenowany od podstaw do natywnej obsługi tekstu, obrazów, wideo i danych 3D. Jego multimodalny, autoregresyjny transformator dyfuzyjny osadza dane wejściowe w przestrzeni 3D, tworząc kontekst przestrzenny, a następnie generuje kolejne elementy sekwencji, po jednym naraz, na podstawie wcześniejszych elementów. Model obsługuje tekst, obrazy, pozy kamery i mapy głębi 3D; wideo jest reprezentowane jako sekwencje obrazów, a każdy obraz lub mapa głębi bazuje na jawnie określonej pozie kamery.

Jak informuje World Labs, Atlas może wygenerować do jednej minuty wideo w rozdzielczości 1440p ze sterowaniem kamerą, a także odtworzyć rzeczywiste sceny na podstawie nielicznych obrazów wejściowych. Potrafi również tworzyć chmury punktów i splaty Gaussa 3D, dzięki czemu oprócz generowanych obrazów i wideo model dostarcza jawne wyniki w postaci 3D.

Frameboy rozwija rozwiązania z RTFM, wersji poglądowej do celów badawczych udostępnionej 16 października 2025 roku, której celem było osiągnięcie interaktywnej liczby klatek na sekundę na pojedynczym procesorze graficznym H100. RTFM zaprojektowano jako renderer oparty na uczeniu maszynowym, generujący nowe widoki 2D bez tworzenia jawnej reprezentacji 3D. Wykorzystywał klatki z określoną pozą jako pamięć przestrzenną i wyszukiwał wśród nich klatki zbliżone do każdego nowego widoku, żonglując kontekstem i unikając uwzględniania w mechanizmie atencji stale wydłużającej się historii klatek.

World Labs informuje, że Atlas rozwija koncepcje RTFM, wykorzystując znacznie większy model wytrenowany na danych, których ilość jest o rzędy wielkości większa. RTFM zaprojektowano przede wszystkim do interpolowania między istniejącymi punktami widokowymi; Atlas potrafi generować sceny od podstaw na podstawie jednego obrazu lub podpisu tekstowego, zachowując jednocześnie możliwość syntezy nowych widoków z kolekcji obrazów.

Ograniczeniem pozostaje moc obliczeniowa chmury

World Labs informuje, że Frameboy wymaga obecnie wydajnego serwera z procesorem graficznym w chmurze i jest drogi w porównaniu z lokalnymi metodami renderowania.

Firma przewiduje, że rozwój sprzętu i oprogramowania sprawi, iż technologia będzie szybsza i tańsza. Główny kompromis związany z wersją poglądową jest więc jasny: generowanie w sposób ciągły i ze sterowaniem kamerą trafia do przeglądarki, ale wnioskowanie w chmurze, niezbędne do jego podtrzymania, nadal stanowi praktyczną barierę dla powszechnego, codziennego użytkowania.