大模型开始卷3D：Tripo凭什么成为Agent时代的三维底座

3D 创作不再是演示，而是工作流

进入 9 月以来，AI 圈里数得上号的大模型几乎都把 3D 能力摆上了台面。GPT-6 Astra、Claude Opus 5.5，国内的 Kimi K3.1 Pro，三维创作成了各家秀肌肉的新赛场。眼下模型已经能靠一句话搭出房间，能用代码拼装机械装置，甚至直接吐出可以上手的 3D 网页。

以前做创作，人得在 Blender、Maya 这些专业软件之间来回跳。编程和工具调用能力上来之后，这些环节被接进了一条用自然语言驱动的流程。可演示一旦变成真刀真枪的创作，问题就藏不住了。

角色像不像参考图？机械装置的零件能不能各自动起来？生成的资产能不能顺利导进游戏引擎？第一版不满意，能不能只改其中一块，不用推倒重来？

10 月 30 日，Kimi 在官方教程里说得很直白：人物、动物这类适合网格化建模的精细活，大语言模型「暂时还做不太好」。为了保住体验，Kimi 会先整理提示词，再调用 Tripo 等专业模型来收尾。这里头有个变化：大语言模型越能推动复杂的 3D 项目，对原生三维能力的要求就越具体。

Agent 能规划任务、写代码、检查运行结果，但它手上得有足够准确、结构清楚的三维对象，才谈得上继续编辑和控制。代码智能与 3D 原生智能之间，一种新的配合方式正在长出来。

Agent 时代需要的 3D 基座模型

翻一翻近一年冒出来的「LLM+3D」项目，Tripo 这个名字反复出现。

独立开发者 Sac 把 Claude、Tripo 和 Blender 串成一条工作流，只花 16 天就把《小王子》里的星球做成了能探索的 3D 场景，作品在社交平台上拿到上万点赞；开发者 @thebuggeddev 则把 GPT、Codex 与 Tripo 搭在一起，做出了能在网页里查看和操作器官模型的 3D 人体解剖应用，连 OpenAI 联合创始人 Greg Brockman 都转发了。

Anthropic 办的黑客松上，创作者 Holly 靠 Tripo 复原了南禅寺里的五座大佛，这件以唐代木构建筑为核心的作品拿下一等奖；上海交通大学实验室主导的 “司图 SITU” 文化遗产智能体，则让 Tripo 与 Kimi 搭伙，把丝绸之路做了三维重建。

题材各不相同，路子却是同一条：大语言模型负责规划、编程和组织流程，Tripo 出专业的三维生成能力，创作者再把两头拼成真正能体验的作品。

撑起这种配合的，首先是基础模型本身的实力。从今年 3 月到现在，Tripo 系列模型在累计超过 20 万用户投票的第三方评测榜单上，已经连续 8 个月坐在第一。其中 H 系列不断把行业精度往上推，P 系列则是全球唯一能在数秒内输出生产级网格的 3D 大模型。

今年 9 月更新的 P2.0，数秒内就能直接产出以四边面为主、面数可控、部件拆分更合理的 3D 对象。这些特性普通观看者未必看得出来，对开发者和 Agent 却是要紧事。

生成够快，「生成 — 运行 — 检查 — 修改」的多轮迭代才转得起来；几何复杂度可控，才配得上网页、移动端和实时应用的性能预算；拓扑更规整，后续编辑和动画制作才少踩坑；部件拆得合理，代码才容易找准并操控对象的不同部位。

VAST 首席科学家曹炎培做过一个挺直观的实验：先用 P2.0 生成机械蜘蛛，再顺着模型天然形成的部件结构，让 LLM 给独立部件命名、编写并调试运动逻辑，最后实现了整只机械蜘蛛的部件级动画控制。Agent 已经会写代码了，3D 原生基座模型要补的课，是给出代码看得懂、也控得住的三维对象。

重构生成方式：把问题提前到生成阶段

想拿到这样的结果，光在生成结束后加一道处理工序是不够的。

以前 AI 生成的模型就算外观过得去，也往往要重新整理网格结构，才进得了后续制作。编辑、细分和动画形变这几步里，四边面拓扑价值不小，可手工重拓扑费时，自动处理又容易丢细节或者出不稳定结果。

P 系列底层算法框架 Nexus 的办法，是把问题往生成阶段挪。行业此前默认把三维网格转成序列、一步步生成，Nexus 不走这条路：它把顶点与拓扑的生成拆开，用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，做到无需预先排序的原生网格生成。

相关论文被国际图形学顶会 SIGGRAPH 收录，基于 P1.0 的实时演示还拿下了 SIGGRAPH 2026 Real-Time Live! 的 Best in Show 奖项。在这个底子上，P2.0 进一步支持原生四边面拓扑，模型不必总走「先生成，再重做拓扑结构」那一遭。

这条路线背后的取舍很明白：不把生成质量简单等同于视觉细节或面数，而是把形状还原、生成速度、几何复杂度和下游可用性放在一起掂量。核心目标只有一个，进了真实工作流之后还站得住。

如今是旗舰的 Tripo P 系列，最初并不是一个被完整规划好的产品任务。P 系列的核心贡献者 Ronnie（化名）很早就来 VAST 实习，毕业后正式加入。他记得，自己一开始只是对某些研究方向有兴趣，并没想着一定要做出什么产品。实验一步步推进，这条探索慢慢长成了 P 系列，最后成了公司的一条旗舰模型线。

“当时并没有这样的目标，只是对这件事有兴趣，一步一步探索，最后拿到了这样的结果。”

这种成长不只发生在模型训练里。为了让研究变成产品，他开始频繁和不同背景的同事打交道：怎么讲清楚算法能做到什么，怎么摸准用户真正要什么，又怎么把能力变成别人看得懂、用得上的体验。

今年3月旧金山游戏开发者大会GDC上，团队带着刚推出的Tripo P1.0去参展。一位路过的游戏开发者看完演示，对它能做到的事很吃惊，说之前没见过类似的能力。Ronnie说，这个陌生人的反应，比很多抽象的评价都更直接地打动了他。

几个月后P2.0发布，分享工作流的开发者多了起来。Ronnie看着模型被接进不同的Agent、被用来做自己没设想过的作品，又一次感到被认可，也觉得有价值。

世界不能只有好看的画面

P系列回答的是“一个三维对象怎样才能更好地被继续使用”。Project Eden把问题再推一步：这些对象放进同一个能交互的世界之后，世界本身要怎么持续存在、不断演进？

以Google Genie 3为代表的动作条件视频模型曾广受关注：输入一段文字或一张照片，用户按下键盘、转动视角，模型就生成下一帧画面。可这类模型说到底还是在预测「下一串像素」，它对世界的全部「理解」都压在一段极短的历史画面里。物体一旦离开镜头，再转回来就可能不见了。

6月初，World Labs创始人李飞飞就行业中「什么都可以叫世界模型」的乱象发表了一篇署名文章，其中提出世界模型应由规划器、模拟器和渲染器三部分构成。有意思的是，文章上线四天前，VAST刚公开了自家世界模型研究项目「Project Eden」，同样给出解耦的三层框架，将世界状态的演化与视觉渲染分离开来：

• 持续演化的世界状态：记录物体的位置和属性、交互规则和动作后果，不依附于任何镜头而存在；
• 从状态到画面的接口：把当前状态转换成某个视角下的布局、几何和事件约束；
• 生成式渲染器：根据这些约束生成高保真画面。

之后，探索类似功能分工的研究越来越多。8月以来，Code World Model、Magpie、Programmable World Model等相继发布，NVIDIA的StreamRender-H3也是思路相近的工作。它们的共同做法是：世界状态交给代码、游戏引擎或智能体维护，画面则用视频模型生成。

10月18日，VAST开源了EdenLive。这是行业第一个能根据任意视觉参考、实时生成不同风格画面的视频模型。单张GPU上，EdenLive生成720P画面的速度超过24 FPS，支持分钟级连续生成。其中5B模型可以在单张NVIDIA RTX 5090上实时运行。

EdenLive的核心贡献者之一Zion（化名）是00后，也是团队里最年轻的成员之一。VAST刚成立时，他还在读研前的暑假，就来到这里实习。后来他去一家大厂的大模型团队实习了半年，拿到留用机会，但校招时还是回到了VAST。

世界模型在今年初成了热门方向。当时主流方案是动作条件视频模型：给一张图片，再配合键盘、鼠标操作，实时产出新画面。VAST算法团队认为这条路有价值，但先反问了自己一句：以键鼠操作为条件的世界模型，究竟能派上什么用场？

“我们认为，要让它真正有用，必须有显式的世界状态。比如一款游戏，底层一定要维护血条、技能冷却这些状态，但之前的范式里没有。”团队由此提出分层解耦的路线：状态维护交给Coding Agent或引擎，视频生成只负责渲染。

这个方案一开始在内部也反复被挑战。“第一个顾虑是，它和社区主流路线差别很大。只输入一张图加键鼠操作就能交互，端到端的做法似乎看起来更有技术含量。拆开之后，会不会显得不够新颖？是不是绕开了更难的技术问题？”

Zion记得，讨论最后还是回到最初的目标和第一性原理：他们究竟想做一段能够响应操作的视频，还是一个有明确规则、能够持续交互的世界？“不是只看某条技术路线实现起来难不难，而要看清问题更本质的东西。”

对团队想要的可控交互来说，显式状态是重要基础。几个月后，行业的走向印证了这个判断。

比提出路线更难的是让它持续运行

路线定下来，还有大量具体问题等着解决。Zion此前主要研究3D生成，真正动手训练实时流式视频模型，对他也是新领域。他先承担了底层研发框架的搭建，希望后续能方便地接入新的视频基础模型，并快速验证不同的流式训练与蒸馏方法。

最初的实验进展并不顺利。换了多种配置和实现方式后，模型生成到半分钟左右仍会出现画面漂移。他一遍遍排查，把数值精度等实现层面的问题修掉，再配合更新后的算法反复验证，才慢慢拿到质量稳定的流式生成结果。这套研发框架后来也成了Eden早期实验和EdenLive后续迭代的关键支撑。

前沿探索不意味着所有事情都得由研究者一个人扛。随着项目推进，公司为这个方向配备了数据与基础设施支持，并提供模型训练所需的算力。碰到难题，团队成员可以直接讨论，提出下一步值得验证的方案。

对Zion而言，这段经历带来的最大收获，是想清楚了自己做研究的原因。以前他动手，多半出于对某个方向的好奇，或者看到新模型出现就去试一试。如今他改用两个更长远的目标来安排研究：交互与仿真。

三维内容怎样才能支撑新的交互体验？智能体和机器人所需的仿真环境，又该如何更高效地搭建？顺着这些问题，3D生成、Coding Agent与世界模型之间的关系变得具体起来。它们也说明，VAST想招揽的不只是3D研究者。

拥有定义问题的自由

这两条研究主线背后，工作方式其实很接近：先想清楚哪个问题值得做，再去找办法。不同意见可以提，实验也可以把原来的设想推翻。对 VAST 的算法同学来说，「研究自由」不是随便做什么，重点在于把问题本身定义出来。

Ronnie 说，在 VAST 干活的一大动力，是团队讲事实，也讲科研该有的过程。出了问题，大家聊的是怎么解决，没人要求研究必须在某个预设日期前拿出突破。

Zion 用自己早前的一次探索，说明了「允许试错」到什么程度。进 Eden 之前，他试过拿 LLM 或 VLM Agent 配合 3D 生成来搭场景。可当时的基础模型也许知道某个物体朝向错了，却没法稳定地把它转正。验证了一段时间，这个课题就被暂时搁下了。

暂停下来，不代表否定做研究的人。团队先用有限资源去验证关键假设；结果符合预期，再继续投入；小范围内就跑不通，那就回头重新讨论问题定义和路线。这套探索机制有判断、有阶段反馈，并不是什么想法都无限支持。

机会也不全看资历。还在读博的实习生 Stewie（化名）到 VAST 之后，从数据到训练，完整参与了核心模型流程。这超出了他的预期。以前在实验室，他盯的多是论文里的方法和指标；参与线上模型后，用户需求、稳定性，还有那些很难用一个指标说清楚的体验细节，都得同时面对。

让他最有成就感的，往往不是又发了一篇论文，而是某个数据集或技术方法真正把产品问题解决了，用户拿到的生成结果变好了。

算法团队成员 R（化名）把这样的研究团队比作一支科考队。面对未知，成员不光要某一项技术熟练，还得会判断方向、理解产品、把不同专业的能力协同起来。团队也不能只靠一张事先画好的地图，有时候连问题的边界都得自己去发现。

他期待的伙伴是「high capability、low ego」：能力强，但不把证明自己排在解决问题前面。这个要求放到 Stewie 的体验里，有个更日常的版本。碰上困难，同伴会把自己的理解和技术经验讲出来，不会因为专业不同就不交流了。有人提问题，也有人愿意一起拆。他因此能把更多注意力放在问题本身，而不是担心自己是不是「不够好」。

在他看来，VAST 团队人才密度高，带来的不是更强的 peer pressure，反而是更充足的支持：身边有人懂你正在面对什么，也愿意帮你往前走。这也让「不内耗」不只是一个氛围标签。研究者可以直接讲不同意见，可以跨团队聊实现方案，发现问题后也能主动担下来，不用先花大量精力去确认这算不算自己的职责边界。

留下与自己有关的成果

几位受访者都待过规模不一的公司。他们没有把职业选择简化成“大厂还是创业公司”。Zion 说得很明确，不同选择各有各的道理。有人更看重成熟组织的支持和稳定，有人更看重研究方向和个人的自由度。关键是先搞清楚自己要什么，再看匹不匹配。

R 更在意的，是一个团队在具体领域能给出什么：能不能碰到前沿问题，能不能和真正懂这些问题的人合作，能不能做出代表自己的成果。

P 系列从探索走到行业 SOTA，Eden 从路线争论走到开源发布并被行业认可，实习生完整参与核心模型训练——这些经历都指向一种可能：在 VAST，年轻研究者不用等资历够深才开始扛重要问题。他们的研究可以被同行讨论，被开发者接入，也能进入用户的日常创作。

新一期 V・STAR 计划想延续的，也是这个故事。目前，V・STAR 顶尖人才计划开放三个方向：

• 3D 生成基础模型研究科学家：从三维表征与模型架构出发，探索几何精度、拓扑结构、生成与编辑可控性的下一步突破。
• 这个岗位招的是做三维理解与智能体的研究科学家：人选要能参与多模态模型、LLM 后训练和 Coding Agent 相关的工作，把三维理解、空间推理做下去，也得让智能体在复杂任务里自己规划、自己执行、自己迭代。
• 世界模型研究科学家：围绕动态演化、长时一致与交互控制，探索生成质量、实时性和计算效率之间的新边界。

这三个方向不只是三个岗位名称，也对应三类还没解决的问题：怎么生成真正可用的对象，怎么让智能体理解并操作它们，又怎么让它们组成一个能持续交互的世界。

VAST 希望候选人在至少一个领域有深入积累，同时愿意去了解其他方向的新进展。比起单纯的论文数量，团队更看重一项研究有没有带来实质性突破，以及研究者能不能说清楚：为什么这个问题重要，为什么选这条路线，实验结果又怎样改变了自己的判断。

按计划，进来的人可以拿到从零推动项目的空间，也能参与重点技术方向怎么定；薪酬这块不受传统校招职级和薪资的限制，特别优秀的没有上限，还会配上长期期权激励。不过自由也对应着责任：这里不想要那种等任务被拆得足够细才动手的人，更看重能自己做判断、能独立往前推、看到证据也愿意改自己想法的人。

AI 越来越擅长执行和实现，人类研究者更难被替代的部分，或许正是判断什么值得实现。被问到如果再来一次，是否还会选 VAST 时，Zion 的回答很直接：“我应该会比当时更加坚定。”

他的理由并不宏大，反而很朴素、很具体：“当时期望的东西，在这不到一年里确实都得到了回应。”

顶级 AI 研究员的下一个机会，未必只在最拥挤的赛道中心。它也可能出现在不同能力开始汇合、问题还没被充分定义的地方——那里既有值得长期投入的难题，也有空间让一个年轻研究者的判断真正改变项目的方向。而 VAST 正在找的，正是愿意一起定义问题、破冰远航的人。

投递信息：

• 校招岗位：面向 2027 届本、硕、博毕业生
• 实习岗位则面向非应届在校生，年级不限。
• 工作地点有北京、杭州、上海、深圳，也支持海外远程。

文中的Ronnie、Zion、R、Stewie均为化名。