Claude代码能力再进化：Fable 5.2用4800行代码搭3D世界

这轮Fable 5.2创作热潮里，视频能力已经不是唯一的看点。更受关注的是Claude的代码生成能力，它正从视觉内容往能运行、能交互的3D环境延伸。

博主Tech Friend AJ做的3D版“鹈鹕骑自行车”，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中从零搭出鹈鹕和自行车，羽毛、骨骼、链条传动、动作、灯光全部由程序生成。

成片里，鹈鹕踩踏自行车的动作很自然，双腿、车轮、链条彼此配合，羽毛还会随身体运动产生动态变化，完整的3D动画效果已经出来了。

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没有动用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，产出约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相互协调，模型处理复杂3D动态场景的能力也由此显现。

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，画面和玩法都要接近原作。

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、灯光和人物动作一起撑起了完整的战斗空间，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便生成了，API成本估算约550美元。

游戏设定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》改编成一款可在浏览器中探索的剧情游戏。那件作品更像一部能交互的3D动画电影，重点在风格化场景和叙事体验。Fable 5.2近期生成的游戏则明显向写实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的代码创作能力正在朝更完整的3D内容生产迈进。

画面的实现方式同样在变。此前Opus 5.5的代码创作案例大量使用SVG、Canvas等技术，动效感更鲜明。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老图，就让Astra在Blender中重建出3295个可编辑物体；有人照着房屋照片还原室内空间，家具、电器一应俱全；也有人在Unreal Engine里逐街区搭出曼哈顿，做出可以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；遇到复杂任务，还会结合代码完成建模、调整和跨软件导入。

换句话说，它就像一名熟悉专业软件的数字创作者，能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。

Fable 5.2则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。

由此也能看出两者在3D创作上各自偏向哪一头：Astra走的是用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，演示了用代码直接定义3D世界、生成视觉资产以及编写运行规则的本事。

推理、代码生成和工具调用这些能力，正被通用大模型带进专业的3D生产管线，Astra到Fable 5.2的演进就是一条线索。以前建模师、程序员和技术美术要凑在一起干的活，现在开始由一个模型统一接需求、调工具、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

通用大模型沿着代码和专业软件这条路往前走，视频模型 meanwhile 也在找自己进入3D世界的入口——把从海量影像里学到的视觉与运动规律用起来，搭出一个能持续交互、对用户操作有反应的虚拟环境。

最早的尝试，是让视频模型更好地看懂并用上3D空间信息。7月底推出的Seedance 2.5支持白模参考：用户拿一个没有材质的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。

字节的胃口显然不止于此。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，目标就是让虚拟环境能实时响应用户操作。到了10月11日抖音集团“2026美好奇妙夜”，这种探索以更直观的方式摆到了公众面前。

影视飓风Tim在现场只输入了一句描述，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，比如在杯子旁边加一把勺子，还能让角色跟勺子互动。演示里，用户甚至能穿过任意门，从一个空间走进另一个世界。

字节之外，其他团队也在快速推进这一方向，重点集中在用户如何控制和改变生成的内容。

有一类探索解决的是“控制”问题。9月，腾讯联合新加坡国立大学、香港理工大学推出H3-World。它基于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，就让模型具备了角色移动、摄像机运动和连续动作控制能力。

用户能做的已经不只是问模型画面里有什么，还可以指定角色在什么时间做什么动作、镜头该怎么运动。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持续不断的控制。

9月还有另一个动作：AI视频生成平台PixVerse推出R2。过去的视频模型是照着提示词产出一段时长固定的视频，R2把生成过程变成一直运行的状态。在场景里，用户能实时挪动角色、调整镜头，也可以随时敲入新的文字指令，去改环境、加物体，或者改变角色的动作。

PixVerse展示的互动作品《Zero Mark》中，玩家碰上一只拦路的生物，对方开口要一份礼物。送出一条龙还是一片叶子，玩家的选择不同，对方的回应就不同，后面的剧情也跟着变。这些内容并非事先录好的分支视频，而是按玩家的选择当场生成。

从Seedance 2.5用3D白模控制画面，到H3-World让用户持续操控角色和镜头，再到PixVerse R2和字节的实时空间模型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。

模型从影像里学到的视觉和运动规律，用途已不限于生成视频，还能撑起连续的场景变化和实时反馈。用户和AI生成内容之间的关系也变了：从看一段视频，转为走进场景、参与其中，并影响后面发生的事。

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。而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内容生产上开始竞争。

通用大模型的强项，是能借助代码和专业软件做出可编辑、可复用的3D资产。代码不只用来定义物体长什么样，还能把物体怎么运动、怎么碰撞、怎么交互写清楚。重力、关节、碰撞检测、角色行为这些，都能写成程序，交由游戏引擎去跑。

理论上，只要现实中的物理规律和交互关系能够被准确形式化，就有机会通过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。物体的外观、材质、光影，人物的动作，镜头的运动，场景的变化，这些都已经进入模型的视觉表征。OpenAI早期的Sora技术报告就展示过：镜头转动时，模型能维持场景的3D连续性，让被遮挡的物体重新出现，甚至能模拟Minecraft的画面和基本操作。

但视觉上连贯，不等于物理规则就掌握准了。Sora的技术报告同样提到，碰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，视频模型学到世界动态规律已经不少，可这些视觉经验还没法完全变成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：通用大模型偏向把世界拆成可编辑的资产和写明白的运行规则，视频模型则靠从海量影像里学到的知识，直接生成画面和它的动态变化。

成本结构上，两条路线同样有差别。算AI游戏和互动内容的生产成本，单次生成花多少钱只是一部分，还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消耗就大。前面提到的《Saltline》只生成一个游戏关卡，就花了约8小时，API成本估算约550美元。不过这笔钱主要花在前期生产：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调用大模型。

视频模型这边不一样。它不用逐个编写模型和渲染程序，训练中积累的视觉知识可以直接拿来生成内容；可要是整个互动环境都靠视频模型实时出画面，玩家每操作一次都可能触发新一轮推理和生成，成本就会随交互时长和用户规模不断往上累。

对AI游戏和互动内容而言，今后的竞争会落在三处：视觉内容能不能生成得足够丰富，角色、道具和场景能不能持续响应用户操作，以及能不能用合理成本长期跑下去。

眼下的局面是，画面生成和动态表现这两块，视频模型更占上风；资产编辑、复用以及明确的规则控制，通用大模型更强。两条路线争的已经不只是互动内容的生产入口，还包括数字世界最终以何种方式生成、运行并持续更新。

答案或许不是二选一。更可能的分工是：大模型定义世界的结构与规则，视频模型给它真实的样貌和动态。谁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”。