多模态自回归扩散 transformer，从零预训练，原生作用于文本/图像/视频/3D；相机控制生成最长 1 分钟 1440p 视频，对比专用视频基线 head-to-head 胜率 81-93%。视频生成主流是文生视频专用模型，Atlas 走 3D 一致的统一模型路线——若成立，游戏/仿真/机器人的数据引擎逻辑会变。