顶尖大模型集体秀3D，AI创作下一步走向哪？

9月以来，全球顶尖大模型几乎都在展示3D能力。从GPT-6 Astra、Claude Opus 5.5到DeepSeek V4.1-Flash-1017、Kimi K3.1 Pro，三维创作正成为展示模型能力的新场景：一句话搭建房间、用代码构造机械装置，甚至直接生成可操作的3D网页。随着编程与工具调用能力进步，过去需在多款专业软件间辗转的工作，开始被串进自然语言驱动的流程。

但演示变成真正创作后，问题也随之具体：角色能否更像参考图？机械装置部件能否独立运动？生成资产能否顺利进入游戏引擎？第一版不满意能否只改局部？

10月30日，Kimi官方公众号发布3D创作教程贴，提到对于人物、动物、雕像、怪兽和复杂道具等精细建模的网格化建模，K3.1 Pro等大语言模型“暂时还做不太好”，因此Kimi会整理提示词与参考图，调用Tripo等模型完成。这揭示了一个变化：大语言模型越能推进复杂3D项目，对原生三维能力的需求就越具体。Agent可规划任务、编写代码、检查结果，但还需准确、快速、结构清晰的三维对象才能继续编辑与交互。代码智能与3D原生智能之间正形成新的协作方式。

Tripo背后公司VAST（三启万物）沿两条主线推进：以Tripo为核心的原生3D生成与理解，以及以Eden为代表的世界模型探索。近日VAST发布新一期V·STAR顶尖人才计划，除3D生成基础模型外，三维理解与智能体、世界模型也被列为招募方向，面向3D生成、视频生成、LLM后训练与Coding Agent等领域青年研究者。

近一年“LLM+3D”项目中Tripo反复出现：独立开发者Sac用Claude、Tripo与Blender，16天将《小王子》星球变成可探索3D场景，获上万点赞及a16z、Marc Lou转发；开发者@thebuggeddev结合GPT、Codex与Tripo制作网页可操作器官模型的人体解剖应用，被Greg Brockman转发；Claude Build Day黑客松中，创作者Holly借Tripo复原南禅寺五座大佛获一等奖；上海交大“司图SITU”文化遗产智能体通过Tripo与Kimi协作三维重建丝绸之路。这些项目共享路径：大语言模型承担规划、编程与流程组织，Tripo提供专业三维生成能力。

从今年3月至今，Tripo系列模型在累计超20万用户投票的第三方评测榜单上连续8个月位居榜首。H系列持续刷新精度天花板，P系列是全球唯一能在数秒内输出生产级网格的3D大模型。今年3月VAST推出Tripo P1.0，9月更新P2.0，后者能在数秒内直接生成以四边面为主、面数可控、部件拆分更合理的3D对象。这些特性对开发者和Agent很关键：生成足够快才能支撑多轮迭代；几何复杂度可控才能适配网页、移动端与实时应用性能预算；拓扑规整才能减少后续编辑与动画障碍；部件拆分合理，代码才更易定位操控对象不同部分。VAST首席科学家曹炎培实验显示，先用P2.0生成机械蜘蛛，再让LLM为独立部件命名、编写调试运动逻辑，最终实现部件级动画控制。

P系列底层算法框架Nexus把问题提前到生成阶段，将顶点与拓扑生成解耦，通过扩散模型由粗到细构造顶点，以新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。相关论文被SIGGRAPH收录，基于P1.0的实时演示获SIGGRAPH 2026 Real-Time Live! Best in Show奖。P2.0进一步支持原生四边面拓扑，让模型不必经历“先生成再重做拓扑”的流程。该路线不把生成质量简单等同于视觉细节或面数，而同时考虑形状还原、生成速度、几何复杂度和下游可用性。

P系列核心贡献者Ronnie最初只是对研究方向感兴趣，随着实验推进逐渐发展为旗舰模型线。今年3月GDC上，一位游戏开发者看完P1.0演示后惊讶于其能力，表示此前没见过类似能力。几个月后P2.0发布，越来越多开发者分享工作流，Ronnie看着模型被接进不同Agent、构建未曾设想过的作品，再次感受到认可和价值感。

如果说P系列回答“三维对象怎样才能更好被继续使用”，Project Eden则进一步追问：当这些对象被放进同一可交互世界，世界本身该如何持续存在、不断演进？以Google Genie 3为代表的动作条件视频模型，输入文字或照片，用户按键、转视角，模型生成下一帧画面，但本质仍在预测“下一串像素”，模型对世界的理解被压缩在极短历史画面里，物体离开镜头再转回可能消失。今年6月初，World Labs创始人李飞飞发表《A Functional Taxonomy of World Models》，提出由规划器、模拟器和渲染器组成的世界模型框架。巧的是，文章发布四天前，VAST公布世界模型研究项目Project Eden，明确提出解耦三层框架：持续演化的世界状态，记录物体位置属性、交互规则和动作后果，不依附镜头存在；从状态到画面的接口，把当前状态转换成某视角下的布局、几何和事件约束；生成式渲染器，根据约束生成高保真画面。此后越来越多研究探索类似功能分工，8月以来Code World Model、Magpie、Programmable World Model、GameDirector与CoDeR、AgentGarten、Matrix-Game