重构AI建模工作流，V 2 Fun与GPT-6 Astra如何高效协同
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。
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 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。
V2Fun 2.0 聚焦复杂三维对象的生成能力
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。
挖掘机被拆分为可分别生成的三维部件
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。
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。
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。
主题：V2Fun|对象|模型|GPT-6Astra|V2Fun2.0