Claude代码能力进阶：从4800行Python到浏览器FPS，大模型抢做3D世界

Fable 5.2这波创作热潮里，视频能力已经不算最抢眼的部分。更受关注的是Claude写代码的本事，正从生成视觉内容往搭建能跑、能交互的3D环境延伸。

博主Tech Friend AJ做了个3D版“鹈鹕骑自行车”，从中能看出模型对复杂物体结构和运动关系的把控。Fable 5.2写了约4800行Python代码，在Blender里从零把鹈鹕和自行车搭出来，羽毛、骨骼、链条传动、动作和灯光全部由程序生成。

成片里，鹈鹕踩车的动作很自然，双腿、车轮和链条彼此配合，羽毛也随身体运动产生动态变化，整体已经是一套完整的3D动画。

接着这位创作者又让模型做了一段鸟群动态设计视频。这回Fable 5.2没碰Blender，自己写了Python和GLSL渲染程序，模拟约4万只鸟的群体运动，生成约4600帧画面。鸟群在画面中形成大规模集群运动，个体动作和整体队形变化互相协调，模型处理复杂3D动态场景的能力就此显出来。

3D动画固然能说明问题，但3A游戏更能体现Fable 5.2这次的能力升级。

AI博主Matthew Berman让Fable 5.2试着做一款《战争机器》风格的游戏，初始提示词只有三行：用Unreal Engine 5，做一个画面和玩法都接近原作的可玩关卡。

最后出来的是第三人称掩体射击关卡。玩家能在街道和建筑之间冲刺、找掩体、探身开火，还能体验《战争机器》标志性的主动装弹机制。建筑、材质、灯光和人物动作共同撑起完整的战斗空间，视觉质感已经接近3A游戏。

《战争机器》体现的是Fable 5.2调用专业游戏引擎的能力，《Saltline》则更进一步：它几乎全靠代码，从零搭出游戏世界。

Anthropic工程师Felix Rieseberg只给了一次提示词，让模型做一款第一人称射击游戏。8小时后，一个能在浏览器里跑的完整关卡就出来了，API成本估算约550美元。

游戏场景设在一座雨夜货运港口，起重机、仓库、集装箱和停泊的货船组成完整的工业环境。玩家要切断三个通讯中继站，同时躲开无人机和四足机器人Hound。地面和金属表面泛着潮湿的反光，集装箱油漆剥落后露出底漆和锈迹，机器人行走时也有符合关节结构的动作。

模型用数学函数定义物体和纹理，再写Shader生成画面。整个游戏世界的视觉元素，全靠代码算出来。

与此前Opus 5.5参与制作的《小王子》游戏相比，这种变化看得更清楚。

那会儿独立创作者Sac花了16天，把《小王子》改编成一款能在浏览器里探索的剧情游戏。作品更像一部可以交互的3D动画电影，重点在风格化场景和叙事体验。对照之下，Fable 5.2近期生成的游戏明显朝写实3D走，开始用程序模拟更丰富的视觉细节和世界规则。

从风格化叙事到有真实材质、光照、物理效果和交互机制的游戏世界，Claude的代码创作能力正朝更完整的3D内容生产推进。

画面的实现方式也跟着变了。此前Opus 5.5的代码创作案例大量用SVG、Canvas等技术，动效感更强。到Fable 5.2，模型既能调用Blender这类专业软件，借成熟的几何结构、PBR材质、光线反射和阴影系统完成渲染，也能直接写渲染程序和Shader，自己生成模型、纹理和光照。

代码不再只是做动效的工具，它开始成为搭建完整3D场景、模拟现实效果的生产手段。

调度专业软件，直接“编译”世界，大模型闯入专业3D生产

通用大模型进入专业3D内容生产，今年已经是越来越明显的趋势。

9月份GPT-6 Astra发布并开放测试后，开发者社区很快冒出大量实测案例。有人只给一张蒸汽火车的旧图，就让Astra在Blender里重建出3295个可编辑物体；有人拿房屋照片还原室内空间，家具、电器一应俱全；还有人在Unreal Engine里逐街区搭曼哈顿，做出能自由漫游的城市场景。

OpenAI的官方演示中，Astra能从文字需求出发，在Blender里完成建筑建模、材质和灯光，再把场景导入Unreal Engine 5，加上角色控制和交互，最终生成可自由探索的3D空间。社区里还出现了把角色建模、50根骨骼绑定和动画接入串起来、最后在UE中运行的案例。

这些案例背后，Astra的一项典型能力是Computer Use。它靠多模态视觉识别读取软件界面，再模拟键盘鼠标操作，直接控制Blender、Unreal Engine等专业工具；碰上复杂任务，还会结合代码完成建模、调整和跨软件导入。

说白了，它就像一个熟悉专业软件的数字创作者，在不同工具之间切换，把一串操作组织成完整的生产流程。

Fable 5.2那边，更突出的是代码本身的生成和组织能力。它不光能写Python脚本调用Blender，还能直接用JavaScript、GLSL等语言定义几何结构、材质、Shader和物理逻辑，甚至从零搭渲染程序和游戏运行环境。

这样看，二者在3D创作上的分工就明朗了：Astra侧重让智能体去调度那些成熟的专业软件，把现成的工业工具串成一条生产管线；Fable 5.2则更进一步，演示了以代码直接定义3D世界、产出视觉资产并编写运行规则的本事。

通用大模型正把推理、代码生成和工具调用这些能力带进专业的3D生产管线，Astra到Fable 5.2就是这条路上的样本。以往建模师、程序员和技术美术要协同完成的活，现在开始由一个模型把需求理解、工具调用和执行组织统起来。

从生成画面到可交互空间，Seedance们不再满足于做视频

视频模型也没闲着，它们想用另一条路进3D世界：把从海量影像里学到的视觉与运动规律利用起来，搭一个能持续交互、能响应用户操作的虚拟环境。通用大模型走的是代码和专业软件那条路，视频模型走的则是这条路。

最早的尝试，是让视频模型更懂3D空间信息、更会用这些信息。7月底推出的Seedance 2.5支持白模参考：用户拿无材质的3D模型给出场景结构、人物姿态、运动路径和摄像机角度，最终画面交给视频模型生成。

字节的胃口不止于此。9月彭博社报道，张一鸣亲自督导字节一项实时空间视频生成模型的研发，目的是让虚拟环境能实时响应用户操作。10月11日抖音集团“2026美好奇妙夜”，这种探索被摆到了公众眼前。

影视飓风Tim在现场输入一句描述，系统就自动生成了一个可以自由探索的微缩3D房间。用户能坐着纸飞机在场景里飞，随时生成新物体——比如在杯子旁加一把勺子，再让角色跟勺子互动。演示里，用户甚至能穿过任意门，从一个空间进入另一个世界。

字节之外，其他团队也在往这个方向赶，重点落在用户怎么控制、怎么改变生成出来的内容。

有一类探索冲着“控制”去。9月，腾讯联合新加坡国立大学、香港理工大学推出H3-World，基于33B参数的MiniMax-H3视频生成模型做动作控制适配。研究团队用了约8000条游戏视频，只调整基础模型约0.199%的参数，模型就具备了角色移动、摄像机运动和连续动作控制能力。

用户不再只是告诉模型画面里有什么，而是能指定角色什么时候做什么、摄像机怎么动。视频模型已经学到的运动规律和场景知识，就这样变成了对虚拟世界的连续控制。

9月，AI视频生成平台PixVerse发布R2。传统视频模型按提示词生成一段固定时长的视频，R2让生成过程一直跑下去。用户能在场景里实时移动角色、调整摄像机，也能随时输入新的文字指令，改变环境、增加物体或调整角色动作。

PixVerse展示的互动作品《Zero Mark》里，玩家遇到一只挡路的生物，对方要玩家送一份礼物。送出一条龙还是一片叶子，会触发不同的回应，后续剧情也跟着变。整个过程不是提前录好的分支视频，而是按玩家的选择实时生成。

Seedance 2.5用3D白模控制画面，H3-World让用户持续操控角色和镜头，PixVerse R2和字节的实时空间模型则让用户直接改变场景、剧情乃至整个世界。视频模型正在从生成画面，走向持续响应用户操作的互动内容。

模型从影像中学到的视觉和运动规律，不再只用来生成视频，还能撑起连续的场景变化和实时反馈。用户与AI生成内容的关系也变了：从看一段视频，变成进入场景、参与其中，并影响接下来发生的事情。

两条路线开始正面交锋，争当下一代数字世界“造物主”

Vibe Video的流行，让通用大模型切入了原本由视频模型主导的部分视觉创作场景。而AI游戏、互动叙事和可探索虚拟空间的兴起，又让两类模型在更3D的内容生产上碰了面。

通用大模型的长处，是能通过代码和专业软件生产可编辑、可复用的3D资产。代码不只定义物体长什么样，还能明确规定它们怎么运动、怎么碰撞、怎么交互。重力、关节、碰撞检测、角色行为这些，都能写成程序，交给游戏引擎执行。

理论上，只要现实中的物理规律和交互关系能被准确形式化，就有机会用代码建立相应的模拟环境。

视频模型的优势来自海量图片和视频训练攒下的视觉知识。物体外观、材质、光影、人物动作、摄像机运动和场景变化，都已经融进模型的视觉表征。OpenAI早期的Sora技术报告就展示过：摄像机转动时，模型能维持场景的3D连续性，让被遮挡的物体重新出现，甚至模拟Minecraft的画面和基本操作。

不过，视觉上连贯，不等于物理规则已经被准确掌握。Sora的技术报告也指出，模型在玻璃破碎等基础物理现象上仍可能生成错误。视频模型已经学到相当丰富的世界动态规律，却还不能把这些视觉经验完全转化为精确的几何结构和物理规则。

两种技术路线的分野也就在这里：通用大模型倾向于把世界拆成可以编辑的资产和明确的运行规则，视频模型则用从海量影像里学到的知识，直接生成画面及其动态变化。

成本结构上，两条路线同样不一样。评估AI游戏和互动内容的生产成本，不能只算单次生成的花费，还要把前期生产和后续运行两个阶段分开看。

通用大模型要反复理解需求、编写代码、调用工具和修复错误，复杂任务会消耗大量Token。前文提到的《Saltline》只生成一个游戏关卡，就耗时约8小时，API成本估算约550美元。这笔钱主要花在前期生产阶段：标准资产和运行规则搭好、交给游戏引擎执行后，常规玩家操作不必每次都重新调用大模型。

视频模型的成本结构不同。它不用逐个编写模型和渲染程序，可以直接拿训练中积累的视觉知识生成内容；但要是整个互动环境都靠视频模型实时生成画面，玩家每次操作都可能触发新一轮推理和生成，成本就会随着交互时长和用户规模不断累积。

AI游戏和互动内容的未来竞争，会集中在三件事上：能不能生成足够丰富的视觉内容，能不能让角色、道具和场景持续响应用户操作，以及能不能以合理成本长期运行。

眼下，画面生成和动态表现是视频模型的长处，通用大模型的长处则落在资产编辑、复用以及按明确规则做控制上。两条路线争夺的不光是互动内容的生产入口，还包括数字世界最终怎样生成、怎样运行、怎样持续更新。

答案或许不是二选一。让大模型定义世界的结构与规则，让视频模型给它真实的样貌与动态，才是可能的走向。谁能先把这两种能力装进同一套系统，谁就更有机会成为下一代数字世界的"造物者"。