Claude新模型闯进3D生产：从4800行代码造鹈鹕到550美元生成射击游戏

这轮Fable 5.2的创作热潮里，视频能力已经不是最抓眼球的部分。更受关注的是Claude的代码生成开始跨出视觉内容，转向可以运行、可以交互的3D环境搭建。

博主Tech Friend AJ做了一版3D“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用大约4800行Python代码，在Blender里从零把鹈鹕和自行车搭起来，羽毛、骨骼、链条传动、动作和灯光全靠程序生成。

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，完整的3D动画效果已经具备。

之后这位创作者又让模型做了一段鸟群动态设计视频。这一回Fable 5.2没有调用Blender，而是自己编写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，个体动作与整体队形变化彼此协调，模型处理复杂3D动态场景的能力由此显现。

相比生成3D动画，3A游戏更能说明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，要求模型用Unreal Engine 5做一个可玩关卡，画面和玩法都接近原作。

最后生成的是一个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、探身射击，还能用上《战争机器》标志性的主动装弹机制。建筑、材质、灯光和人物动作一起构成了完整的战斗空间，整体视觉质感已经接近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：它几乎完全靠代码，从零搭建游戏世界。

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，一个能在浏览器里运行的完整关卡就生成出来，API成本估算约550美元。

游戏背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。地面和金属表面有潮湿的反光，集装箱上的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。

模型先用数学函数定义物体和纹理，再编写Shader生成画面。整个游戏世界的视觉元素，都是代码计算出来的。

与此前Opus 5.5参与制作的《小王子》游戏相比，这种变化更直观。

当时独立创作者Sac花了16天，把《小王子》改编成一款能在浏览器中探索的剧情游戏。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。相比之下，Fable 5.2近期生成的游戏明显向写实3D靠拢，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，到具备真实材质、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内容生产迈进。

画面的实现方式也变了。此前Opus 5.5的代码创作案例大量使用SVG、Canvas等技术，更容易做出鲜明的动效感。到了Fable 5.2，模型既能调用Blender这类专业软件，借助成熟的几何结构、PBR材质、光线反射和阴影系统完成渲染，也能直接编写渲染程序和Shader，自行生成模型、纹理和光照效果。

代码不再只是做动效的工具，也开始成为搭建完整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中重建出3295个可编辑物体；有人根据房屋照片还原室内空间，家具、电器一应俱全；也有人在Unreal Engine里逐街区搭建曼哈顿，做出可以自由漫游的城市场景。

OpenAI的官方演示里，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，加入角色控制和交互功能，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联起来，最终在UE中运行的案例。

这些案例背后，Astra的一项典型能力是Computer Use。它能通过多模态视觉识别读取软件界面，再模拟键盘和鼠标操作，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。

换句话说，它可以像一名熟悉专业软件的数字创作者那样，在不同工具之间切换，把一系列操作组织成完整的生产流程。

相比之下，Fable 5.2更突出代码本身的生成与组织能力。它不仅能写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，甚至从零搭建渲染程序和游戏运行环境。

从3D创作的路数上看，两者的偏重已经很清楚了：Astra 走的是让智能体去调度那些成熟专业软件的路子，把现成的工业工具串成一条生产管线；Fable 5.2 则更进一步，演示了怎样用代码直接定义3D世界、生成视觉资产，并把运行规则也写出来。

Astra到Fable 5.2这条路走下来，通用大模型正把推理、代码生成和工具调用带进专业3D生产管线。建模师、程序员、技术美术过去要协同完成的活，现在开始由一个模型来统一理解需求、调用工具、组织执行。

从生成画面到可交互空间，Seedance们不再满足于做视频

通用大模型沿代码和专业软件这条路往前推的同时，视频模型也在找进入3D世界的入口——用从海量影像里学到的视觉与运动规律，搭一个能持续交互、响应用户操作的虚拟环境。最早的做法，是让视频模型更好地理解和利用3D空间信息：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，最终画面再由视频模型生成。

字节显然不满足于此。9月彭博社报道称，张一鸣正亲自督导字节一项实时空间视频生成模型的研发，目标是让虚拟环境实时响应用户操作。10月11日的抖音集团“2026美好奇妙夜”，把这种探索更直观地摆到了公众面前。影视飓风Tim现场输入一句描述，系统自动生成了一个可以自由探索的微缩3D房间。用户能乘纸飞机在场景里飞行，随时生成新物体——比如在杯子旁加一把勺子，还能让角色和勺子发生互动。演示中，用户甚至可以通过任意门，从一个空间进入另一个世界。

字节之外，其他团队也在快速推进，重点集中在用户如何控制和改变生成的内容。

一类探索瞄准的是“控制”这件事。9月，腾讯与新加坡国立大学、香港理工大学合作拿出H3-World：在33B参数的MiniMax-H3视频生成模型上做动作控制适配，团队喂进约8000条游戏视频，只动了基础模型约0.199%的参数，模型便学会了角色移动、摄像机运动和连续动作控制。用户能指定的不只是画面里有什么，还包括角色在什么时间做什么、镜头怎么走。视频模型此前学到的运动规律与场景知识，就此变成对虚拟世界的连续操控。

9月，AI视频生成平台PixVerse推出R2。以往的视频模型按提示词产出固定长度的一段片子，R2让生成过程一直跑着。用户能在场景里实时挪动角色、调整摄像机，也可以随时敲入新的文字指令，改动环境、添加物体或改变角色动作。PixVerse展示的互动作品《Zero Mark》中，玩家被一只生物拦住去路，对方索要一份礼物。送龙还是送叶子，回应不同，后面的剧情也跟着变。这些分支并非事先录好，而是依玩家选择实时生成。

Seedance 2.5拿3D白模控制画面，H3-World让用户持续操纵角色与镜头，PixVerse R2和字节的实时空间模型则让用户直接改动场景、剧情乃至整个世界——视频模型正从生成画面转向持续响应用户操作的互动内容。模型从影像里学到的视觉与运动规律，用途不再限于出视频，还能撑起连续的场景变化和实时反馈。用户与AI生成内容的关系也随之改变：从看一段视频，变成走进场景、参与其中，并影响接下来发生的事。

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；AI游戏、互动叙事和可探索虚拟空间的兴起，则让两类模型在更3D的内容生产上展开竞争。

通用大模型的长处，是能借助代码和专业软件产出可编辑、可复用的3D资产。代码除了定义物体长什么样，还能规定它们怎么动、怎么碰撞、怎么交互。重力、关节、碰撞检测、角色行为，都能写成程序交给游戏引擎跑。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，就有机会用代码搭出对应的模拟环境。

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，都已进入模型的视觉表征。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露出来，甚至模拟Minecraft的画面和基本操作。

但视觉上连贯，不等于物理规则已被准确掌握。Sora的技术报告同样指出，遇到玻璃破碎这类基础物理现象，模型仍可能生成错误。也就是说，视频模型学到了相当丰富的世界动态规律，却还没法把这些视觉经验完整转成精确的几何结构和物理规则。

两种技术路线的分野也由此显现：通用大模型倾向于把世界拆解成可以编辑的资产和明确的运行规则，视频模型则利用从海量影像中学到的知识，直接生成画面及其动态变化。

成本结构上，两条路线也不一样。算AI游戏和互动内容的生产成本，不能只盯单次生成的开销，得把前期生产和后续运行分开看。通用大模型要反复理解需求、写代码、调工具、修错误，任务一复杂，Token消耗就上去了。前文提到的《Saltline》只做一个游戏关卡，就花了约8小时，API成本估算约550美元。这笔钱主要落在前期：标准资产和运行规则一旦搭好、交给游戏引擎执行，玩家日常操作就不必每次都重新叫大模型。

视频模型这边，成本结构又是另一番样子。它不用逐个编写模型和渲染程序，直接拿训练中积累的视觉知识生成内容；可要是整个互动环境都靠视频模型实时出画面，玩家每操作一次就可能触发一轮新的推理和生成，成本会随交互时长和用户规模不断往上堆。

AI游戏和互动内容未来的竞争，会集中在三处：视觉内容能不能做得足够丰富，角色、道具和场景能不能持续回应用户操作，以及能不能以合理成本长期跑下去。

眼下，视频模型更擅长生成画面、呈现动态，通用大模型则在资产编辑、复用以及按明确规则加以控制这几方面更占优。两条路线争夺的对象，已经超出互动内容的生产入口，还延伸到数字世界最终以何种方式生成、运行并不断更新。

答案未必是二选一。一种可能的分工是：大模型负责定义世界的结构与规则，视频模型负责给它真实的样貌与动态。谁先能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”。