看见世界。
记住每一个它。

通用生成式世界模型；以共享空间上下文组织多模态输入，生成、重建和模拟世界。

物体级持续感知与记忆系统；组合检测、跟踪、身份核验和几何模块，按 Asset ID 组织观察。

输出新视角、深度、点云或 3D Gaussian 场景；可补全未拍到的区域。补全是推断，不能直接视为实测事实。

保存已观测表面、来源视图与位置。未看见不等于不存在，也不等于可通行；当前不提供通用新视角生成或完整场景补全。

支持复用 RGBD 空间上下文和编辑场景。所核验资料未给出家庭长期实例身份维护的对照指标，不据此断言它没有记忆能力。

显式维护同一物体的身份、历史与当前位置，重见后复核；这是设计重点。相似物体、长遮挡与位姿漂移仍需系统评测。

可按指定相机生成 RGB／深度。Beta 工作流由外部应用选择相机；生成一个视角不等于已完成机器人避障与动作控制。

记忆可为找物、重新观察提供线索。候选操作视角、主动避遮挡与整身操作属于下游集成方向，仍需可达性、碰撞检查与控制器。

Atlas 已展示导航、操作的 Real-to-Sim。World Labs 另公布 R2S2R 的仿真训练、真机迁移与策略评测结果；这些是系统层证据，不应全部归于 Atlas 单一模型。

可提供具体家庭的物体、位置和示范经历，作为训练与测试的数据基础。当前材料未证明夜间自主训练、策略提升或 Sim-to-Real 闭环已完成。

World Labs 的 R2S2R 路线已讨论：发现策略弱点，生成针对性练习，再回到真机验证。持续演进并非 KAtlas 独有方向。

可持续更新「这个家」的真实记忆，再接入仿真、学习与验证，让练习跟随家庭变化。这是集成愿景；写入记忆本身不会自动更新策略权重。

可由普通图像估计相机与深度，也可接收已标定的 RGBD 上下文。度量尺度需校准；Beta API 已有文档，具体任务开放取决于账号。

地图级记忆依赖有效 RGB-D、标定与位姿。多模块部署需要 GPU／CPU、队列及存储管理；是否适合端侧设备须按目标硬件验证。

生成时延、生成后场景的本地渲染帧率是两回事。API 可复用场景描述以减少开销；不能把 Atlas 等同于逐帧从零推理。

快线跟踪、后台按需补证，目标是持续更新。前台更新速度不等于身份确认速度；原文约 8 Hz 为检测目标配置，v60 回放不是整机实时跑分。

按 Beta 任务计费，费率可能调整；容量和并发还受服务约束。需依据实际任务、画质、上下文和当前报价核算。

复用身份有望减少重复核验，但仍有检测、跟踪、分割、几何、存储和重试成本。尚无同任务、同质量约束的总成本优于 Atlas 的证据。

生成外观、几何和动态不自动等于可验证的物理精度。World Labs 的 R2S2R 通过仿真／真机配对验证具体任务，仍不能外推为任意环境的保证。

有来源的表面记忆不等于完整占据图、接触动力学或执行安全。历史位置要复核，物体运动记录也不能直接变成机械臂指令。

官方公布相机控制生成、三维重建的定量评测，以及机器人相关演示；R2S2R 另有仿真／真机评测。均为官方报告，本页未独立复现。

现有原文与 v60 仿真 RGB-D 回放展示身份记忆、保留观测和表面重建。尚缺同条件基线、长期家庭运行与自主学习的量化结果。

需要构建、补全或变化三维场景，以及生成新视角和训练测试环境时，其能力更直接相关。

需要持续回答「哪一件、在哪里、发生过什么」时，其设计更直接相关。可探索以真实记忆约束仿真，再将真机结果回写记忆；目前未验证双方已集成。