从3D生成到世界模型，这家AI公司想和年轻人一起定义问题

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 从3D生成到世界模型，这家AI公司想和年轻人一起定义问题 听雨 2026-11-05 08:41:34 来源： 量子位 听雨 发自 凹非寺 量子位 | 公众号QbitAI AI行业仍在为顶尖人才开出高价，但同时也越来越看重实际贡献，而不只是潜力。 年轻研究者由此面临一道难题：企业想要已经做出成果的人，但如果参与核心项目的机会变少了，代表作又该在哪完成？ 这也让人才竞争有了另一重标准：不只是企业筛选谁已经做出成果，年轻研究者也需要判断，谁能为自己的下一项成果提供条件。 能否进入核心项目、参与技术路线的判断，能否获得与任务匹配的数据、算力和协作支持，决定了一份人才计划能否兑现它对成长的承诺。 近日，半年不到就拿到约50亿元融资的人工智能公司 VAST（三启万物） ，发布了新一期 V·STAR顶尖人才计划 ，将邀请年轻研究者聚焦三类明确的研究任务： 3D生成基础模型、三维理解与智能体、世界模型。 它想寻找能够参与定义问题、提出技术判断，并将探索推进为实际成果的年轻研究者。 这些方向指向同一个目标： 让AI从生成内容，走向构建可交互的世界。 会写代码、生成图像和视频，还不等于能够构建一个持续运行的环境。 三维对象需要能够被编辑和操控，智能体需要理解空间并执行任务，世界则需要维护状态与规则，让每一次行动都产生可以延续的结果。 这些尚未解决的问题，正是VAST希望与年轻研究者共同推进的研究前沿。 3D打开新的研究空间 过去大家看AI做3D，容易先看颜值：像不像，精不精致，转一圈有没有露馅。 如今Agent开始接手项目，要求很快升级：模型能否导入引擎？部件能不能单独控制？想改一条腿，是否得把整个角色重新生成？ 大语言模型在规划、编程和调用工具上越来越熟练，但精细三维对象仍需要专业能力。 10月30日，Kimi官方发布的3D创作教程就提到，面对人物、动物、怪兽和复杂道具等适合网格建模的任务，Kimi会整理提示词与参考图，调用VAST旗下AI 3D基座模型Tripo等完成生成。 这样的协作已经长出了不少优秀作品。 独立开发者Sac用Claude、Tripo与Blender组成工作流，仅花16天，就把《小王子》里的星球做成了可以探索的3D场景。开发者@thebuggeddev则将Codex与Tripo结合，制作了可在网页上查看和操作器官模型的3D人体解剖应用，后来被OpenAI联合创始人兼总裁Greg Brockman转发。 这些项目里，大语言模型负责组织流程、编写程序，Tripo提供三维资产，创作者把它们组合成可以体验的作品。 一项能力接入另一项能力之后，研究问题也随之变化：生成出来的东西，怎样才能被下一步继续使用？ VAST首席科学家曹炎培做过一个很直观的实验。他先用Tripo P2.0生成机械蜘蛛，再利用模型形成的部件结构，让LLM为独立部件命名，编写并调试运动逻辑，最终实现部件级动画控制。 这时，几何结构是否清晰、部件划分是否合理，就会直接影响代码能否找到该控制的对象。蜘蛛的“腿”得在数据里也是一条可操作的腿，不能只靠观众觉得它长得像。 更复杂的项目，还会涉及同一个对象在多轮操作中的连续性。 把自己的猫放进游戏，需要保留它的脸型、花纹和体态，也需要适合后续绑定与动画的结构。 给一个已经做好动作的角色换外套，则要修改指定区域，同时尽量保留脸部特征、身体比例和原有动作。 哪些部分可以改变，哪些应该保留，修改之后还能不能继续使用，都是VAST希望通过3D原生智能深入解决的问题。 团队选择探索专门的三维训练，让模型学习形体、拓扑、部件关系，以及修改前后的对应规律，尝试把一部分制作中的试错提前到训练阶段，让生成的对象更容易被识别、操控和继续修改。 从三维表征到世界模型，VAST的几次关键选择 一个AI模型外观看起来不错，真正进入制作流程时，却可能还要花不少工夫整理网格结构。 尤其涉及编辑、细分和动画形变，四边面拓扑往往更方便后续处理。可手工重拓扑耗时，自动处理也可能损失细节。 创作者刚为生成速度高兴完，就得给后续整理重新排期。 Tripo P系列模型底层的Nexus框架，尝试让这个问题在生成阶段就加以解决。它将顶点与拓扑生成解耦，通过扩散模型由粗到细构造顶点，再用新的编码方式表达拓扑关系，实现无需预先排序的原生网格生成。 这一套触及3D生成本质的范式也得到了国际顶会的认可。今年7月，Nexus相关论文被国际图形学顶会SIGGRAPH收录；与此同时，基于P1.0的实时演示获得了SIGGRAPH 2026 Real-Time Live!的Best in Show奖项。 今年8月推出的Tripo P2.0进一步支持原生四边面拓扑，能够在数秒内生成以四边面为主、面数可控、部件拆分更合理的三维对象。 这些特性各有实际用途。生成快，能让Agent多试几轮；面数可控，便于适配网页和移动端的性能预算；拓扑规整，有助于减少后续编辑与动画制作的障碍；部件清楚，则让独立控制更容易展开。 资产是否好用，要放到完整工作流里看。 再往前，是世界模型。 今年初，动作条件视频模型受到关注：输入图片，再通过键鼠操作生成后续画面。VAST团队也觉得有意思，但他们先问了一个本质的问题：这套东西，要怎样才真正有用？ 以游戏为例，角色还剩多少血，技能冷却有没有结束，一扇门有没有被打开，都需要持续维护。总不能玩家扭个头，世界就把刚才发生的事都忘了。 今年10月，VAST发布并开源了面向任意视觉参考的实时交互式渲染器 EdenLive ——这也是团队在世界模型领域的最新成果。 EdenLive首次在实时生成的前提下，同时实现了任意视觉参考输入、任意画风生成、长时连续生成。根据官方测试，在单张GPU上，EdenLive能以超过24 FPS的速度生成720P画面，并支持分钟级连续生成。 为什么EdenLive能实现突破？答案就在它对底层结构的解耦中：上游交互引擎维护世界运行的状态和交互规则，下游实时生成模型负责高保真的画面呈现。 把它放进游戏原型里理解就直观了：Agent参与搭建程序与交互逻辑，三维场景提供空间结构，视频模型持续生成更丰富的画面。 玩家一边操作，画面一边更新。这里要解决的事情，也从“生成一张漂亮截图”，延伸到了“让整个体验持续跑起来”。 EdenLive的路线，其实是VAST对世界模型长期探索的延伸和验证。 早在6月发布的世界模型项目 Project Eden 中，VAST就明确公布了分层解耦的路线：底层维护世界状态，记录物体属性、交互规则和动作后果；中间层把状态转成当前视角所需的布局、几何与事件约束；上层的生成式渲染器再依据这些条件生成画面。 世界状态不必依附于镜头存在，画面生成也有了明确的依据。 这个选择提出时，并不理所当然。EdenLive核心贡献者之一Zion记得，团队内部也反复讨论过：视频模型路线看起来更端到端，拆开之后，会不会显得不够新颖、绕开了更难的问题？ 最后，讨论回到了目标：他们希望做的是一个有明确