I'm particularly excited by Atlas's ability to reconstruct scenes from a very small number of input image -- was able to create this flythrough of London's Natural History Museum by combining 3 input images I found from completely separate sources on Google Images

@drfeifei 实验室刚刚训练出世界上第一个World Model！这不是简单的视频生成模型， 而是World Labs 在尝试把图像、视频、3D 和时间统一成一个真正的 world model。 读他们的博客， 主要有下面几个技术要点： 1. 它把空间变成了模型原生的 context。 普通多模态模型看到的是一堆图片。Atlas 看到的不只是图片，还知道每张图片在三维空间里的位置和相机姿态。World Labs 把这个叫做 spatial context： 它在一个持续存在的 3D 世界里生成新的观察结果，而不是根据上一帧猜下一帧。 2. 相机控制是模型原生输入，不是 prompt。 你可以直接指定 camera pose 和 camera path，告诉它摄像机准确移动到哪里、朝哪个方向拍,而不是写"camera slowly pans left"这种模糊提示。Atlas 可以从一张图片出发，让摄像机绕到物体背面，生成最长 1 分钟、1440p 的视频，同时保持空间一致性。 3. 一两张照片就能开始建立一个世界。 给 Atlas 一张花园照片，它能推断照片之外可能有什么，生成空中视角。加入第二张 cottage 的照片，它把 cottage 纳入这个世界。加入第三张房子的照片，世界被进一步约束。 模型看到的越多， 就越少依赖想象。 图片少的时候，它用 world knowledge 补全世界；图片越多，它越接近"重建"而不是"生成"。官方称通常只需要 2 到 3 张图片就能得到可信的 reconstruction，也能接收超过 100 张图片。Generation 和 reconstruction 因此成了同一个连续问题的两端,而不是两套独立系统。 4. 输出的不只是视频，还有真正的 3D。 Atlas 能生成 depth map、point cloud，最终生成 3D Gaussian Splat，可以直接导入游戏、机器人、VFX、设计工具的 3D representation，而不是看起来像 3D的视频。从一张图片开始，它就能生成新视角、推断 geometry、变成完整的 Gaussian Splat。这把生成式 AI 从 content generation 推向了 environment generation。 5. 它把手机拍的视频变成机器人 simulation。 流程是:手机拍真实环境 → Atlas 重建 3D 世界 → 放一个虚拟机器人进去 → 模拟机器人看到的 RGB/depth → 训练机器人。World Labs 只用了 24 帧手机视频就重建了一个大型环境，然后能改变机器人路径、物体位置、灯光、背景，生成大量训练场景。这是 Real-to-Sim:过去需要 LiDAR、motion capture、复杂 3D pipeline，现在几台手机就够,机器人训练数据的生成成本会大幅下降。 6. 架构像 LLM 和 diffusion model 生了一个孩子。 Atlas 是一个 multimodal autoregressive diffusion transformer,吸收了两套技术路线:LLM 那边的 KV cache、autoregressive sequence、cache-aware serving、disaggregated serving;diffusion/video 那边的 rectified flow、denoising、CFG、diffusion distillation、VAE。Text、image、camera pose、depth map 都被表示成同一个 multimodal sequence,不同任务只是输入输出组合不同。World Labs 做的不是一个3D 模型,而是把 GPT 式的 base model 范式搬进 spatial world,基本单位从 token 换成了空间。

@dwarkesh_sp 最新一期的访谈让人对token economy有更具体的认知。 过去大家谈 OpenAI 和 Anthropic，最常见的问题是：它们到底要烧多少钱？ 但 SemiAnalysis 创始人 Dylan Patel 在与 Dwarkesh Podcast 对话中提出，AI 实验室的经济模型可能已经发生了根本变化。 一年前，OpenAI 用 Hopper GPU 运行 GPT-4，卖出 token 后甚至可能还是负毛利。 现在，AI 算力的基础成本大约是每年每 MW 1000万至1500万美元，而 Anthropic 每 MW 算力创造的收入最高已经达到约5000万美元。Dylan 认为，OpenAI 和 Anthropic 正在向每 MW 1亿美元收入发展。 换句话说，以前花1000万美元购买算力，可能连成本都收不回来。现在，同样的算力可能产生5000万美元收入。 Dylan预计，到2027年底，OpenAI和Anthropic可能拿走全球新增AI算力的40%至50%。不一定是自己建设，而是因为它们最有能力为这些算力支付最高价格, 他们能让每一兆瓦电力，产生最多可以收费的智能。

Omarchy will soon have a region switcher, so it's fully usable within China without needing a VPN. The Omarchy China group is moving very fast. We also now have that'll be the gateway to get a Chinese ISO preconfigured.

Omacom Foundation has raised another $2 million from @xdanger and @brian_armstrong for now a combined TWELVE MILLION DOLLARS from our Founding Patrons. I'm incredibly grateful for this continued flow of support. WE WILL FIX EVERYTHING! 🙏

从 Oracle 拿到“一台”免费的 VPS 以后，我手里可用的计算机一下子增加到了 5 台： MacBook Pro MacBook Air Raspberry Pi 5 Dell XPS（Omarchy） Oracle VPS 每台计算机上都运行着 Agent。怎么把这些 Agent 集中管理起来，还能让它们彼此协作？当然是用 Herdr。 一般的 Herdr 主要管理本机 Agent，但我的这套设置还可以通过 SSH 管理远程 Agent： herdr --remote 我的 Herdr 跑在 MacBook Pro 上： 左上角是 Claude Code，作为主控。 右上角是新加入的 Oracle VPS，上面运行 Codex，主要负责 GitHub Repo。 左下角是 Raspberry Pi 上的 Codex，负责管理 OpenClaw 和 Hermes。 右下角最有意思：它连接的是 Omarchy 上运行的另一个 Herdr 里的主 Agent Codex。而这个 Codex 自己又负责监管 Omarchy 上的 Pi Agent，后者运行千问 coding 模型。 所以现在已经有点像一套分布式 Agent 组织了：一台电脑上的 Agent，可以管理另一台电脑上的 Agent，甚至继续往下监管下一层 Agent。