GPT-6 Astra 与 V2Fun 协同：当大模型开始“调度”3D生成，AI建模范式正在转移

　　一张挖掘机参考图进入GPT-6 Astra后，模型先识别驾驶舱、履带、底盘、动臂、斗杆和铲斗，再把复杂部件交给V2Fun 2.0生成，最后通过Three.js补齐液压管、螺丝、转轴和操作摇杆，并完成尺度匹配与整体装配。这个过程指向一种新的三维生产方式：大模型不必独自完成所有几何，而是根据任务调用不同的专业能力。

　　这不是单纯的图生3D，也不是单纯的代码生成。GPT-6 Astra负责理解、规划和构建，专业3D Foundation Model负责处理复杂几何，二者共同输出一个可以继续编辑和使用的三维资产。极顶数创旗下V2Fun正在尝试的，正是这样一套模型协同工作流。

　　三维生成开始从单一模型走向任务分工

　　GPT-6 Astra带来的一个变化，是大语言模型开始进入三维对象的结构理解与构建环节。借助多模态理解、空间推理和代码能力，它可以识别一个对象由哪些部分组成，再通过Three.js等程序化方式逐步搭建。

　　工业流水线是较容易说明这一能力的例子。传送带、滚轮、支撑框架、电机和不同工作模块，都可以被拆解为对应的几何结构。支撑柱可以用基础几何体表达，滚轮可以批量复制，传送带的长度和位置则可以通过参数控制。

　　这类输出也不是一个不可拆分的黑盒Mesh。流水线中的各个部件仍然是独立对象，可以继续移动、复制、删除和修改。换句话说，GPT-6 Astra不只是生成一个三维结果，也开始具备理解对象组成并将其构建出来的能力。

　　但当对象从流水线变成人物面部、生物、服装、雕塑，或者拥有复杂工业曲面的挖掘机时，问题就变成了：是否还应该让语言模型通过代码完成全部几何描述？

　　答案不必是二选一。V2Fun进入的，正是这段复杂几何需要被专业模型接管的环节。

　　V2Fun负责复杂几何的专业生成

　　V2Fun并不是为一次Demo临时接入的3D API，而是极顶数创长期研发AI 3D Foundation Model的产品化入口。极顶数创成立于2025年，核心方向围绕3D生成、空间智能以及更长期的世界模型基础设施展开。

　　此前，V2Fun已作为鸿蒙系统首个3D大模型AI原生应用亮相HDC 2026，并通过移动端和Web工作台覆盖从大众创作到专业3D内容生产的链路。它持续解决的问题，是如何把复杂的三维对象以更低的门槛和更短的时间，变成真正可以继续使用的3D资产。

　　即将上线的V2Fun 2.0将搭载最新一代3D Foundation Model，并支持最高8K级贴图生成，重点提升复杂几何、人物、生物、服装、雕塑以及其他非规则曲面的生成质量。

　　这也解释了V2Fun与GPT-6 Astra为什么能够形成互补。GPT-6 Astra擅长理解、规划、空间关系、代码和Agent调度；V2Fun擅长直接生成复杂三维几何和高质量表面。前者回答“这个对象应该怎样构建”，后者处理“复杂部件本身应该长什么样”。

　　挖掘机案例展示如何拆分与装配

　　挖掘机的整体结构相对清晰。GPT-6 Astra可以识别底盘、左右履带、车身、驾驶舱、动臂、斗杆和铲斗，也能判断这些部件之间的连接关系。

　　但驾驶舱不是一个简单立方体，车身外壳也无法仅靠几个Primitive准确表达。铲斗包含连续曲面，机械臂具有复杂轮廓，履带与底盘还包含大量工业设计细节。继续用程序化代码逼近这些结构，意味着需要生成和修改更多几何代码，迭代轮次也会增加。

　　在这组Demo中，GPT-6 Astra先“看懂”挖掘机，再把驾驶舱、履带、机械臂和铲斗等复杂主体分别交给V2Fun 2.0生成。生成完成后，GPT-6 Astra重新接管流程，负责尺度调整、旋转、位置匹配和整体装配。

　　V2Fun发挥的是从视觉输入中直接恢复复杂三维结构的能力，而不是让语言模型通过大量代码间接描述曲面。与此同时，V2Fun并没有取代Three.js。

　　组装完成后，GPT-6 Astra仍然会继续生成液压管、螺丝、连接轴和操作摇杆。液压管本质上是沿关键点连接起来的管状结构，螺丝和连接轴则尺寸规则、结构简单、数量较多，这些对象都更适合程序化表达。如果每个细节都单独调用一次3D Foundation Model，反而会增加流程的成本和复杂度。

　　最终得到的是一个混合型三维资产。复杂主体由V2Fun生成，规则细节由GPT-6 Astra与Three.js完成，再由GPT-6 Astra把两类结果组织为同一个结构化三维对象。模型需要做的，不是从代码生成和3D大模型中做单选，而是判断每一部分更适合哪一种能力。

　　人物和有机曲面放大了复杂几何的价值

　　人物是另一类更能体现差异的对象。相比机械设备，人类角色更难用规则表达。一个面部是否自然，不只取决于眼睛、鼻子和嘴的位置，还取决于脸型、颧骨、眼窝、鼻梁、嘴唇以及它们之间连续而细微的曲率变化。

　　铠甲也并非简单的工程件。浮雕、装饰、连续曲面和风格化造型共同构成角色的视觉特征。为此，另一组Demo让GPT-6 Astra构建一名全副武装的国王，角色包含人体、复杂铠甲、头部、剑和盾牌。

　　在这组流程中，GPT-6 Astra先理解整体角色，再拆分出头模、身体与铠甲、剑和盾几个主要部分，随后由V2Fun分别生成复杂部件。GPT-6 Astra继续负责头部尺度、身体连接、剑盾位置、部件比例、模型减面，以及最终的整理和装配。

　　V2Fun处理复杂几何如何快速而高质量地出现，GPT-6 Astra处理这些几何如何成为一个完整对象。

　　V2Fun能够承担这一层复杂几何，基础仍是极顶数创围绕几何表达和高分辨率纹理持续进行的研发。几何侧的重点，是减少无效几何表达，把模型能力集中在高曲率、薄结构和复杂区域；纹理侧则关注多视角、高分辨率生成中常见的纹理错位、撕裂和细节损失。

　　这也是V2Fun 2.0支持8K级高质量贴图的基础。对于Agent来说，它调用的不是一个“看起来像3D”的视觉生成工具，而是一个可以输出三维资产的专业模型。生成的资产还要继续被组合、减面和修改，并可能进入动画、游戏、打印或其他三维工作流。

　　Token效率改变了建模路径

　　这套工作流的收益不只体现在视觉质量上，也体现在Token使用效率上。GPT-6 Astra用Three.js描述圆柱、液压管或几个螺丝时，所需代码并不多；但如果用同样的方法逼近人物面部、衣物褶皱或高复杂度工业曲面，代码的生成与修改会迅速增加。

　　在这种情况下，大量Token会被消耗在反复调整曲面、轮廓和局部几何细节上。复杂部分交给V2Fun后，这些底层过程可以被压缩为一次专业模型调用，GPT-6 Astra则可以把更多推理资源用于对象拆分、模型选择、空间关系判断、整体组装和后续修改。

　　因此，V2Fun 2.0带来的不只是“模型更好看”。在这套工作流中，它有机会同时降低GPT-6 Astra在复杂3D任务中的Token消耗和整体建模时间，尤其是在多个复杂部件可以并行生成时。

　　原来的路径可能是“理解、写几何、修改，再写几何、再修改”；新的路径则变成“理解、拆分、并行生成、组装、局部补充”。两者的差异，来自不同模型承担了不同层级的工作。

　　从生成一个模型到成为Agent的三维基础能力

　　过去几年，AI 3D的核心问题是怎样生成一个更好的模型。随着GPT-6 Astra这样的模型具备更强的多模态理解、代码和Agent能力，问题开始转向：如何让不同的三维能力在同一项任务中协同工作。

　　简单结构可以直接写代码，复杂曲面可以调用V2Fun，已有资产可以继续复用，需要减面、组合和调整结构的部分则交给Agent继续执行。对于使用者来说，未来未必需要先知道应该调用哪个模型、写哪段代码或选择什么建模方式。

　　“把这个做成3D。”

　　在这样的交互中，GPT-6 Astra负责理解需求并决定如何完成，V2Fun 2.0则希望成为它在复杂三维世界中的专业基础能力。对极顶数创而言，这也延续了其长期的产品方向：从移动端降低3D创作门槛，到Web端进入专业资产生产，再到3D模型、动画、动作以及更长期的空间智能和世界模型，持续建设三维内容生成与空间智能的基础设施。

　　当3D生成从一次性结果走向Agent参与的生产流程，模型之间的协同就不再只是产品联动，而开始成为建模路径本身的一部分。