ورلڈ لیبز، مقامی انٹیلی جنس کمپنی جسے AI کے علمبردار Fei-Fei Li نے قائم کیا تھا، نے 1 ستمبر 2026 کو اٹلس کو متعارف کرایا، اسے اپنی اگلی نسل کے "اومنی" عالمی ماڈل کے طور پر بیان کیا۔ کمپنی کے ایک بلاگ پوسٹ میں، ٹیم نے کہا کہ اٹلس کو شروع سے ہی ابتدائی طور پر متن، تصاویر، ویڈیو اور 3D پر کام کرنے کے لیے پہلے سے تربیت دی گئی ہے - ایک واحد ماڈل جو ان کاموں میں سے کسی ایک میں مہارت حاصل کرنے کے بجائے دنیا کو تخلیق، تعمیر نو اور نقل کرنے کے لیے بنایا گیا ہے۔

لانچ عالمی ماڈل تھیسس کے لیے ایک سنگ میل ہے جسے لی نے کمپنی کے قیام کے بعد سے کامیابی حاصل کی ہے: کہ AI کی اگلی سرحد صرف زبان میں نہیں ہے، بلکہ ایسے نظاموں میں ہے جو سمجھتے ہیں کہ دنیا کس طرح ظاہر ہوتی ہے، برتاؤ کرتی ہے اور ارتقا کرتی ہے۔ ورلڈ لیبز تخلیقی صارفین کے لیے تصوراتی دنیا کو پیش کرنے، حقیقی دنیا کو اعلیٰ مخلصانہ انداز میں نقل کرنے، اور روبوٹس کو کاموں کی منصوبہ بندی کرنے میں مدد کرنے کی بنیاد کے طور پر تیار کرتی ہے۔ اس اور دیگر سرحدی تحقیقی کوششوں کے بارے میں مزید جاننے کے لیے، ہماری AI انڈسٹری کوریج کو دیکھیں۔

ایک ماڈل، ایک مشترکہ مقامی سیاق و سباق

آرکیٹیکچرل طور پر، اٹلس وہی ہے جسے ورلڈ لیبز ایک ملٹی موڈل آٹوریگریسو ڈفیوژن ٹرانسفارمر کہتے ہیں۔ ایک بڑے لینگویج ماڈل کی طرح، یہ پہلے اپنے ان پٹس کو سیاق و سباق میں انکوڈ کرتا ہے اور پھر اس سیاق و سباق کے مطابق آؤٹ پٹ تیار کرتا ہے۔ فرق مقامی ہے: ہر ان پٹ امیج کو خلا میں 3D پوزیشن پر گراؤنڈ کیا جاتا ہے، جس کو کمپنی ایک مقامی سیاق و سباق کہتی ہے، اور اٹلس اس کے بعد جو کچھ ہوتا ہے اس کو تیار کرتا ہے جو اس نے دیکھی ہے 3D سے ہم آہنگ رہتے ہوئے — تصور کرنا کہ اس سے آگے کیا ہے۔

یہ ڈیزائن ایسی صلاحیتوں کو قابل بناتا ہے جو روایتی ویڈیو جنریٹرز پر بولٹ کرنے کے لیے عجیب ہو گی۔ دو غیر متعلقہ حوالہ جات کی تصاویر کو مختلف 3D پوزیشنوں پر سیاق و سباق میں رکھا جا سکتا ہے، اور اٹلس ایک ایسی دنیا پیدا کرے گا جو ان کے درمیان آسانی سے گھل مل جائے، دروازے، دالان، اور ٹرانزیشن ایجاد کرے جو ممکنہ طور پر دونوں مناظر کو آپس میں ملا دیں۔ کمپنی نے یہ بھی کہا کہ ماڈل کو پیمانے کے لیے بنایا گیا ہے، جس کی کارکردگی میں بہتری کے ساتھ تربیتی کمپیوٹ میں اضافہ ہوتا ہے۔

پکسل پرفیکٹ کیمرہ کنٹرول اور لانگ فارم ویڈیو

اٹلس کی مارکی جنریشن کی خصوصیت کیمرے سے کنٹرول شدہ ویڈیو ہے۔ ایک سے چھ ان پٹ امیجز تک، ماڈل 1440p ریزولوشن پر ایک منٹ تک ویڈیو بنا سکتا ہے، بالکل مخصوص کیمرے کے راستوں پر عمل کرتے ہوئے۔ ورلڈ لیبز اس بات پر زور دیتی ہے کہ کیمرہ جیومیٹری ایک مقامی ان پٹ قسم ہے — موٹے ٹیکسٹ پرامپٹس سے آگے بڑھ کر — تاکہ تخلیق کار ہر شاٹ کو فریم کر سکیں اور ہر حرکت کو کنٹرول کر سکیں۔ ڈیمو میں، ٹیم نے ایک منٹ کا مربوط کلپ تیار کرنے کے لیے ایک سین کے ذریعے کیمرہ کے راستے ہاتھ سے ڈیزائن کیے، جو تجربے کو سلاٹ مشین کے لیور کو کھینچنے کے بجائے "ڈائریکٹر کی کرسی پر" ہونے کے طور پر بیان کرتا ہے۔

یہ ماڈل متن سے تصاویر اور 360-ڈگری پینوراما بھی تیار کرتا ہے، جس میں پیچیدہ اشارے پر عمل کرنے، متن پیش کرنے اور مختلف قسم کے بصری انداز تیار کرنے کی صلاحیت ہے۔

تعمیر نو جو ماہر ماڈلز کو چیلنج کرتی ہے۔

تعمیر نو کی طرف، ورلڈ لیبز نے ایک جرات مندانہ دعویٰ کیا ہے: اٹلس دو یا تین عام تصاویر سے حقیقی دنیا کے مناظر کی تشکیل نو کرتا ہے، "صرف 3D تعمیر نو کے لیے خصوصی طور پر تربیت یافتہ ماڈلز کے جدید ترین نتائج کو بہتر بناتے ہوئے"۔ کمپنی نے 3D کمپیوٹر وژن میں کئی دہائیوں پرانا بنیادی مسئلہ ویرل ان پٹ سے ناول ویو کی ترکیب کو قرار دیا ہے۔

اٹلس حقیقی ماحول کی وفادار تفریح ​​کے لیے سو سے زیادہ ان پٹ تصاویر بھی نگل سکتا ہے۔ ایک مظاہرے میں، ٹیم نے اسٹینفورڈ کے مین کواڈ کو دو سے پچیس زمینی سطح کی تصاویر سے ٹکڑے ٹکڑے کر کے دوبارہ بنایا، پھر کیمپس کے اوپر سے اونچے اڑتے ہوئے فضائی راستے بنائے — ایسے مناظر کو بھرنا جو کبھی کسی کیمرے نے کیپچر نہیں کیا تھا۔

تنقیدی طور پر عملی استعمال کے لیے، اٹلس 2D فریموں پر نہیں رکتا۔ یہ مقامی طور پر تصویری فریموں اور 3D گہرائی کے نقشوں پر کام کرتا ہے، دنیا کو پوائنٹ کلاؤڈز یا 3D گاوسی اسپلٹس کے طور پر آؤٹ پٹ کرتا ہے جو اعلی ریزولوشن اور فریم ریٹ پر ڈیوائس پر پیش کرتا ہے۔ یہ وہی نمائندگی ہے جو ماربل، ورلڈ لیبز کی پہلی پروڈکٹ میں استعمال ہوتی ہے، لہذا اٹلس آؤٹ پٹ براہ راست کمپنی کی موجودہ پائپ لائن میں پلگ کرتا ہے۔

بلٹ ٹائم سے روبوٹ ٹریننگ تک

اٹلس کی نقلی صلاحیتیں روبوٹکس کے لیے سب سے زیادہ اہمیت رکھتی ہیں۔ کمپنی نے دکھایا کہ کم از کم تین عام سیل فون کیمروں کی فوٹیج - جو ایک بیگ میں فٹ ہونے والے تپائی اور کلیمپ کے ساتھ نصب ہیں - اٹلس کے لیے ایک منظر کو دوبارہ تشکیل دینے اور "بلٹ ٹائم" کو ناممکن زاویوں سے ری فریم کرنے کے لیے کافی ہے، کسی خصوصی کیپچر اسٹوڈیو کی ضرورت نہیں ہے۔

ریئل ٹو سم ورک فلوز کے لیے، اٹلس مختصر فون ویڈیوز سے خالی جگہوں کی تشکیل نو کرتا ہے اور پھر RGB اور گہرائی کا ڈیٹا تیار کرتا ہے جس میں ایک مصنوعی روبوٹ کے باڈی ماونٹڈ کیمرے ایک راستے پر مشاہدہ کریں گے — دنیا اور روبوٹ کا اس کا نظارہ ایک ہی ماڈل سے آتا ہے۔ کمپنی نے ہر ایک میں 24 فریموں کا استعمال کرتے ہوئے بڑے اسکین شدہ ماحول میں نیویگیشن کا مظاہرہ کیا، نیز ہیرا پھیری کے منظرنامے جہاں نقلی کاموں کو اشیاء، پوزیشنوں اور مناظر کو تبدیل کرکے مختلف کیا جا سکتا ہے ایک بار جب کوئی کام نقل کیا جاتا ہے۔

یہ کیوں اہمیت رکھتا ہے۔

عالمی ماڈلز کو تیزی سے بڑے لینگویج ماڈلز کی تکمیل کے طور پر دیکھا جا رہا ہے: LLMs دنیا کی تفصیل کے بارے میں وجہ بتاتے ہیں، جب کہ عالمی ماڈلز کا مقصد دنیا کو خود ماڈل بنانا ہے — اس کی جیومیٹری، فزکس، اور وقت کے ساتھ حرکیات۔ اگر اٹلس کے دعوے بیرونی جانچ پڑتال کے تحت برقرار رہتے ہیں تو، ایپلی کیشنز VFX، گیمنگ، ڈیزائن، انجینئرنگ، اور روبوٹ ٹریننگ پر محیط ہیں، جہاں مصنوعی لیکن جسمانی طور پر قابل فہم ماحول عمل کرنے کے لیے مشینوں کی تعلیم کی لاگت کو ڈرامائی طور پر کم کر سکتا ہے۔

ماڈل کے پیچھے والی کمپنی اپنے طور پر قابل ذکر ہے۔ ورلڈ لیبز کی بنیاد Fei-Fei Li نے رکھی تھی — اسٹینفورڈ پروفیسر جن کی ImageNet کی تخلیق نے جسٹن جانسن، بین ملڈن ہال، اور کرسٹوف لاسنر کے ساتھ سیکھنے کے گہرے دور کو بھڑکانے میں مدد کی، اور اس کے سرمایہ کاروں کی فہرست میں a16z، Nvidia، AMD، Intel، Adobe، Salesforce، اور Samsung شامل ہیں۔ ماربل، کمپنی کا پہلا پروڈکٹ، صارفین کو تصاویر، ویڈیو، ٹیکسٹ، اور 3D لے آؤٹس سے مستقل 3D دنیا بنانے دیتا ہے، اور ورلڈ لیبز نے کہا کہ اٹلس اس کے مستقبل کے ورژنز کو طاقتور بنائے گا۔

اٹلس ابھی تک عام طور پر دستیاب نہیں ہے: کمپنی جلد رسائی کے لیے درخواستیں لے رہی ہے۔ پھر بھی، ریلیز AI سسٹمز کی جانب ابھی تک کے سب سے ٹھوس اقدامات میں سے ایک کی نشان دہی کرتی ہے جو کہ محض طبعی دنیا کی وضاحت نہیں کرتی بلکہ اس کا ایک مستقل، جوڑ توڑ ماڈل رکھتی ہے۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →