GPT-6 Astra搓3D刷屏后，3D生成的竞争规则变了

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> GPT-6 Astra搓3D刷屏后，3D生成的竞争规则变了 听雨 2026-09-23 13:01:24 来源： 量子位 听雨 发自 凹非寺 量子位 | 公众号QbitAI 谁还没有被GPT-6 Astra搓3D的案例狠狠刷屏啊！ 写代码、调Blender、搭场景，甚至从零做出一款3D游戏。 过去要在专业软件里折腾半天的活儿，现在一句话就能让Agent接手。 △ 图源：小红书 不过吧，GPT-6 Astra的表现，也让3D生成行业突然多了一个问题： 通用大模型自己都能建模了，专业3D生成模型还有用吗？ 事实上，GPT-6 Astra擅长理解目标、拆解任务，也能通过代码和基础几何体完成机械结构、工业零件等模型。 但遇到人体、动物和复杂道具等曲面丰富、细节密集的对象，还需要专业3D生成模型提供更完整的几何、网格和材质。 通用模型负责「想清楚怎么做」，专业3D模型负责「把复杂模型做好」。 这也意味着，3D生成正在迎来下一代用户：Agent。 过去，3D生成产品主要服务人类创作者。行业竞争围绕「Production-Ready」展开，谁能生成质量更高、更可控，也更容易进入生产管线的资产，谁就更有优势。 当Agent开始接管创作任务，评价标准又多了一层。 模型质量仍然是基础，但3D能力还要能够被Agent理解和调用。面对不同输入，系统需要自己判断建模路径；资产生成之后，还要支持Agent继续编辑、拆分和加工。 这也是3D生成在Agent时代的竞争新标准—— Agent-Ready 。 它代表的变化，是3D生成从一个等待人操作的单点工具，转向Agent工作流中的专业能力。 人可以直接在产品里发起创作，外部Agent也可以根据任务需要调用3D生成，并继续推进后续流程。 但当3D工具的用户从人扩展到Agent，新的问题也来了：Agent能否看懂输入素材，选对建模路径，并在模型生成后继续修改？ 国际领先的3D生成大模型公司影眸Hyper3D今日上线的 Agentic Mode ，正是沿这条路线展开。 Agent会参与输入整理、参考图分析和建模路径选择，接管了建模过程中的更多专业判断，并围绕创作目标持续推进任务。 生成的 Low-poly N-GONS模型 还可以继续进行参数化调整、调用动画预设和增强材质。 从Production-Ready到Agent-Ready，3D生成竞争的重点正在从「能不能生成可用资产」，扩展到「能不能让Agent把专业3D能力真正用起来」。 图别整理了，直接一股脑丢进去 Agentic Mode在自动优化输入上有怎样的表现？ 第一轮，我先准备了5张不同产品图。 主角都是同一台复古桌面风扇，但每张图提供的信息不太一样。 第一张是产品正面照，能看到深青色机身、奶油色扇叶和黄铜支架；第二张绕到背后，露出了电机外壳、散热孔和电源线。 第三张只拍网罩、转轴和扇叶根部；第四张是一张杂乱的桌面照，风扇旁还堆着电脑、书、杯子和植物。 最后还有一张规格卡，文字描述了扇叶数量、材料和零部件颜色。 常规的多图生3D，最佳输入通常是一组提前整理好的参考图：主体一致，角度互补，背景尽量干净。 部分工具虽然已经支持背景去除和图片增强，但遇到场景图、局部特写和文字卡混在一起，用户往往还是要先挑图、裁图，甚至指定不同视角。 这里，我直接把5张图一口气输入给了Agentic Mode，看看它能做成什么样。 图片上传后，Agentic Mode没有立刻开始生成，界面下方先滚动起了一连串分析过程。 仔细查看，它先沿着物体边缘识别整体轮廓，再判断不同图片的拍摄角度，区分真实结构与光影，再寻找机身与局部零件之间的边界。 单张图片里看不清的信息，则会从其他参考图中补全。比如正面照能看清扇叶和网罩，但电机有多厚、背面长什么样，还得结合后侧图判断。 据影眸Hyper3D介绍，这一过程中，系统还会按需增强输入素材。用户无需提前筛选标准主图，也不用手动裁掉场景背景，再反复尝试不同的图片组合。 整个过程没花多久，一台完整的复古桌面风扇就出现在了我的工作台里。 出来一看，我还挺意外——桌面照里那些电脑、杯子、书，压根没跑进模型里。 它自动把主体和背景分了家，还把5张图里的信息拼到了一起：正面的扇叶网罩、背面的电机散热孔、特写里的转轴细节，一台完整的风扇就这么出来了。 这也是Agentic Mode这次更新的一大重点，模型在处理输入上不是简单把多张图堆在一起，而是先理解、自主筛选和组织参考信息，再进入生成。 对于Low-poly N-GONS生成的模型，Agentic Mode提供了可以用自然语言驱动的参数化调整、动画预设、材质增强等后续编辑功能，为用户提供了创作的延伸可能性。 嫌底座太宽，拉窄一点；支柱太矮，直接抬高。深青色搪瓷机身、黑色橡胶电源线和缎面黄铜支架随你挑，都可以单独换颜色、改质感。 甚至连怎么动都准备好了，开关循环、左右扫风、向上送风，点一下就能运行～ 小物体玩熟了，难度直接拉满——这次输入的不是单个物体，而是一张完整的住宅建筑图纸。 正面、侧面和背面立面图挤在一起，还有一张带房间布局的平面图，密密麻麻标着尺寸和材料说明。 对于普通图像生成模型来说，它看到的可能只是一张线条和数字堆成的复杂图片。 想把它变成3D模型，还得先理解不同图纸之间的关系：平面图决定房间和墙体位置，立面图提供门窗、楼层与屋顶结构，尺寸标注则约束各部分比例。 这次依然没有提示词，只上传图纸，剩下的交给Agentic Mode处理。 结果它自己读完了整套图——平面图管房间布局、立面图管门窗屋顶、尺寸标注管比例大小，全给理清楚了，直接就出了3D模型。 右侧同样有一整套参数化调整面板，建筑的结构、材质都能继续改。 这一轮考验的能力，和前面的风扇不太一样。上一轮的难点，是从一堆杂乱资料中找出共同主体，再把不同图片里的信息拼到一起。 这一次，素材本身已经整理成了建筑图纸，难点变成了读懂这套专业表达：哪些是平面布局，哪些是不同方向的立面，尺寸标注又该如何约束模型结构。 两轮试下来，我感觉Agentic Mode最不一样的地方就在于：无论是杂乱的产品照，还是信息密集的建筑图纸，系统都会先理解其中的主体、视角和约束关系，再根据任务特点自主规划最合适的建模路径。 而且生成不是终点，参数化调整、材质增强、动画预设等表现还能围绕同一个资产继续调整。 模型出来还不算完，接着改就行 当然，如果你连参数名称都不想研究，还可以直接描述修改目标。 我们回到刚才生成的复古风扇，试着直接用自然语言下指令： 修改完成后，风扇网罩被明显抬高，底座、网罩尺寸和5片扇叶则基本保持原样。 整个过程中，我没有寻找对应的参数滑杆，也没有给出具体建模步骤。系统需要先从文字中判断想改哪个部件，再将要求映射到相应参数，最后执行调整。 结构之外，材质也能继续修改。 这一次，我要求系统只把5片奶油色扇叶改成半透明琥珀色，其他部件保持不变。 可以看到，5片扇叶都变成了暖橙色，深青色网罩