GPT-6 Astra 发布会上最抓眼球的一段，是它在 Blender 里建了一栋房子，再导进虚幻引擎 5 做成能走进去的场景。
很多人看完的结论是「AI 现在会生成 3D 模型了」。
这个理解错了一半——因为会生成三维模型这件事，扩散模型早就在做。
Astra 的新能力是另一回事，而这个「另一回事」，才决定这波突破到底值多少。
作者 | 听风
编辑/排版 | MM77
翠鸟AI技术漫研 — 拓新AI边界、探索技术增量
那栋房子是它「操作 Blender」搭出来的
这是整件事的技术核心，也是最容易被演示效果盖过去的地方。
- 市面上的 3D 生成模型（比如各种 native 3D generator）走的是一条路：
- 给个提示或图片，模型直接吐出一个网格（mesh），大概九十秒出个基础模型。
- Astra 走的是完全不同的另一条路——它像个会用软件的工程师那样操作 Blender 本身：
规划场景，写出真实的 Blender Python 代码来建对象、加材质、摆相机，然后无界面地跑 Blender 渲染出一帧，回头看这张渲染图，发现和要求不符就改自己的脚本，再渲染、再看、再改。
看它的模型页就明白了：Astra 的输入是文本和图像、输出是文本。
也就是说，那栋房子的几何体不是它「生成」的，是它写代码写出来的。
发布会那个把美术宫（Palace of Fine Arts）建进 Blender 的案例更说明问题——
它先查档案蓝图和老照片，写代码重建立面，用自己的渲染结果核对比例，比例不对再回去改，然后才继续。
扩散模型是凭想象画一个 3D 物体，Astra 是打开建模软件、一行行把它搭出来、边搭边照镜子——
交给你的不是一张定格照片，是一个还能继续改的工程文件。
01. 这个区别为什么重要：它把生产过程交到你手里
- 直接生成 mesh 的模型有个天花板：
它给你的是一个成品，导出即用，但你很难在它内部继续精修——它不理解对象之间的坐标关系、相机、灯光、场景状态。
- 而操作 Blender 意味着 Astra 必须理解这些，还要理解「改这一步不能把前面几步毁掉」的动作顺序。
结果是它交给你一个可编辑的生产环境：打开那个 .blend 文件就能接着改、换材质、调布局。
对建筑、游戏场景、可玩原型来说，这等于把「一版可信初稿」的成本一下子打了下来。
有个游戏工作室 Playco 做过实测：
从一个灰盒地基出发，Astra 做出了三个能玩的游戏原型，而且开发过程中人工返工比传统流程少了约一半。
这个数字如果站得住，是实打实的效率变化。
02. benchmark 有硬提升，但漂亮数字要拆开看
支撑这些演示的能力，有个专门的测试 BenchCAD——考模型能不能从多视角渲染图反推出 3D 物体，
方式是让它生成 CAD 代码（CadQuery）去重建，一共 17900 个工业零件。
这里又有一个典型的「口径要较真」的地方：
| 口径 | Astra | GPT-5.6 Sol | Claude Fable 5.1 |
| BenchCAD 裸分 | 57.9% | 37.3% | 55.8% |
| 几何重叠（带工具） | 95.9% | 83.3% | 84.3% |
被到处引用的是 95.9% 那个，听着几乎完美。
但那是带工具的几何重叠分；同一个 BenchCAD，裸分只有 57.9%。
57.9% 相比上一代 37.3% 已经是大跳，也确实领先 Claude，这是真进步——但和「95.9%，快满分了」给人的印象差着一个量级。
看这类发布，先分清厂商想让你记住哪个数、独立复核的又是哪个数。
03. 形状对了，离「能用」和「能造」还差最硬的一公里
这是我觉得最该给这波热闹泼的一盆冷水。
BenchCAD 这类测试本质上是形状匹配——重建出来的几何和目标重合度高不高。但形状对，不等于东西能用。
拿它另一个演示 KiCad 画电路板来说：
把电路原理图变成一块布好铜线的 PCB，形状匹配能做到，可真要送去工厂生产，还有公差、约束、可制造性检查一堆关卡要过——这些恰恰是形状匹配测不出来的。
3D 打印同理，模型好看没用，得检查壁厚够不够、要不要加支撑。
设计里最难、最值钱的那部分，往往就在「形状之后」。
⚠️ 还有几条早期测试者报的软肋：
- 规则几何（方盒子、机械件）它做得好，有机形体（人物、生物、自然造型）明显弱；
- 大型生产文件和陌生插件下的可靠性还没验证过；
- 社区疯传的那些 SolidWorks、复杂装配演示，多是创作者自己发的、未经独立复核——官方 demo 和网友 demo 得分开看。
一句流传的评价很到位：
这些作品「第一眼惊艳，第二眼有瑕疵」。
能走的曼哈顿不是能上线的 3A 场景，能玩的 Minecraft 克隆也不是 Minecraft。
04. 还有一笔账：自我纠错是要花钱的
「写代码→渲染→看图→再改」这个自纠错循环是它强的原因，也是它贵的原因。
一个开放式的探索任务，反复渲染反复改，输出 token 能堆到数百万，一次任务花掉十几美元甚至更多很正常（定价是输入 10 美元、输出 50 美元每百万 token）。
指令越模糊、越要它自己试错，账单越厚。
所以它省的是人工，费的是算力——这笔账划不划算，取决于你那个岗位的人工到底贵不贵。
05. 这波 3D 突破该怎么定性
我的判断是：
Astra 没有让「AI 生成 3D」更强，它做的是另一件更有意思的事——让 AI 成为专业 3D 软件的操作者。
它坐进了 Blender、KiCad 的驾驶座，会写脚本、会看结果、会返工。
这是从「给你一个资产」到「替你控制一段生产过程」的转变，也是它比单纯的 mesh 生成器更值得关注的原因。
但别把演示当成品。
- 它现在适合干的，是快速出可信初稿、搭原型、做那些规则几何为主的场景铺陈；
- 不适合的，是直接交付要送厂、要上线、要过公差和可制造性检查的终版——那一公里还得靠人。
更务实的用法，是拿原生生成器快速铺量产资产，再让 Astra 在隔离的原型文件上做深度编辑，最后留一道人工 QC 把关拓扑、材质和文件卫生。
说到底，它开始接管 3D 创作里「熟练的手上功夫」那一段，把人往上推到指挥和把关的位置。
它会用软件了，但要做出真正能送厂、能上线的东西，这一步暂时还得人跟它一起走。