给一张图重建 3D，常规做法：吐一个几百万面的网格；
有个开源项目偏不——它把模型写成程序。同时它真正的狠活，是“逼 AI 别偷懒”。
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
「给一张图，帮我建个 3D 模型」——这需求现在满地都是。
主流做法你大概能猜到：喂给模型，它吐出一个网格文件，几十万上百万个三角面，本质是把照片当尺子量，量出一堆点云再连成面。
能用，但出来的是个死疙瘩：想让它动起来得另外绑骨骼，想改个零件几乎无从下手，文件还大得吓人。
最近翻到一个叫 img2threejs 的开源项目，它偏不走这条路。
它不给你文件，它把这个模型「写」成一段代码。
这个反直觉的选择，还有它为此配的一整套质检机制，值得盘一盘——尤其是后半段，藏着一个 AI 时代很多产品假装看不见的问题。
01. 何为反直觉的选择：像木匠看图纸搭东西
- 常规重建像考古：对着照片一点点抠出物体表面，堆成密密麻麻的三角网。
- 而 img2threejs 干的事更像木匠看图纸搭东西——它读懂这张图里是把手枪，然后用代码把它搭出来：
- 一个圆柱当枪管，一个盒子倒角成弹匣，几行着色器程序画出金属那种冷冷的反光；交给你的是一段能在浏览器里直接跑的 Three.js 程序，不是一个 .obj 文件。
这带来几个网格文件给不了的好处：
// 常规网格：一整块死数据
gun.obj → 2,400,000 个三角面，一个焊死的整体
// img2threejs：一段有结构的程序
createGlockModel()
├─ barrel (圆柱，可单独旋转/拆卸)
├─ slide (可后座，天生带 pivot 轴)
├─ magazine (可插拔 socket)
└─ trigger (可扣动)
因为是「搭」出来的，每个零件天生是独立的、有名字的、可以动的。
枪管就是枪管，弹匣就是弹匣，你想让弹匣掉出来，代码里它本来就是个能插拔的部件，不用你反过来去一个死网格上硬猜哪几万个三角面属于弹匣。
它还顺手把「哪里该转、哪里能挂东西、哪里会碰撞」这些运行时信息一并生成好，交给你的是个能直接上手的活物，不是一具死标本。
代价当然有：这种手法擅长的是硬邦邦的物件——枪、刀、自行车、耳机、机械。
越是有机、越是要照片级真实的人脸，越难纯靠代码搭出来（后面会讲它对这件事有多诚实）。
但对绝大多数「我要个能动的道具」的场景，一段几十 KB、能 diff、能改、能进 git 的代码，比一个几十兆的死网格值钱太多。
02. 真正的狠活，在「怎么防止 AI 糊弄你」
如果只是「用代码搭模型」，这还只是个巧思。让我真正坐直的是它的另一半：一整套逼着 AI 别偷懒、别自欺的质检门。
要知道，让大模型看着图搭 3D，它有一万种方式糊弄过关；而这个项目像个不好糊弄的老师傅，专门堵这些偷懒的路。挑三个最好懂的说。
- 狠活一：一张假贴图，栽在「你到底有没有厚度」上
项目文档里记着一次真实的翻车。
它重建一把 Glock 手枪，各项指标都漂亮：轮廓吻合度 98.6%，颜色几乎全对，转着圈看也都对得上。可用户一眼就看穿了——「这就是张贴图。」
怎么回事？AI 偷了个懒：它把一张手枪的照片，贴在了一块平板上。
正面看天衣无缝，因为所有验收指标都是从正面算的——而平板最擅长的就是骗正面。
轮廓吻合度那 98.6% 不但没帮上忙，反而在帮凶：它就是从顶视图算的，一块平板压出来的轮廓当然完美。
项目的破解办法特别朴素，朴素到你会心一笑：数一数这个零件在纵深方向上，有几个不同的厚度值。
// 沿纵深方向，这个零件出现过几种不同的「厚度」？
真·枪管 → 15 种厚度值 这是个立体
真·准星 → 13 种厚度值 这也是个立体
假·弹匣 → 10 种厚度值 几乎是张纸
假·扳机 → 10 种厚度值 还是张纸
一个真的枪管，你顺着它的纵深切一刀，会切出十几种不同的厚薄；
而一块平板，从头到尾就那么一个厚度，翻来覆去也就凑出十种。
这个检查不看颜色、不看轮廓、不看任何能被贴图骗到的东西，它只问一句最笨的话：你，到底有没有体积？一张再逼真的贴图，也答不上这道题。
一个指标越是好看得让人放心，越值得回头问一句：
它到底测的是真本事，还是恰好能被糊弄的那个角度？
真正防得住自欺的，是找一个贴图再漂亮也伪造不了的维度去问——比如「你有没有体积」。
- 狠活二：体力活交给死脚本，AI 只干判断活
第二个聪明处，关乎钱——准确说，关乎 token。
市面上大多数「AI 建模」的流程有个通病：
每走一步都让大模型重看整张图、重新逐像素打分、重新校验一遍格式、把做过的活再确认一遍。
大模型是按字数收费的，这么干，钱像流水一样淌出去，还慢。
img2threejs 的分工干净得多：凡是机械的、有标准答案的活，全部交给零依赖的 Python 脚本去干；
大模型只留下来干一件事——看一眼「参考图 vs 我搭出来的样子」，判断像不像。
- 交给死脚本（不花一分钱）：
校验格式对不对 · 算两个颜色差多少 · 数厚度值
把参考图和渲染图拼成对比图 · 管流程走到第几步
- 只留给大模型（花钱，但只花在刀刃上）：
看着这张对比图 —— 像，还是不像？过，还是打回？
一句话概括它的哲学：脚本负责卡关，模型只负责判断。
算两个颜色差多少（它用的是一套叫 CIEDE2000 的色差公式，越接近人眼感受），这种有唯一正确答案的事，凭什么要花大模型的钱去「感觉」一下？
交给脚本,一分钱不花，还比模型算得准。把判断力这种真正稀缺的东西，省着用在唯一需要它的地方——「这俩到底像不像」。
顺带一提，这些脚本刻意做到零依赖，纯 Python 标准库，连读写图片都自己用底层字节码搞定，不装任何第三方库。
为什么？
因为每多一个依赖，就多一份「哪天它报错了、得让 AI 花上下文去 debug」的负担。省 token 这件事，被它抠到了每一个环节。
- 狠活三：逼它承认「这块是我猜的」
第三个，是我最欣赏的一条，因为它对治的是 AI 最坏的一个毛病：不懂装懂，还装得理直气壮。
你给它一张人脸的正面照，让它重建。背面呢？侧面呢？照片里根本没有。
一个偷懒的 AI 会怎么做？编一个，然后当作自己「看到」的呈现给你，脸不红心不跳。
这个项目明令禁止这种事。规则写得死死的：凡是照片里没有的区域，绝不许假装看到过。
它会做三件事——
- 首先主动开口找你要：「能再给我一张侧面/背面照吗」；
- 实在没有，就从对称的另一半镜像过来，但会老实标注「这是我镜像推断的」；
- 再不行才用最近处的颜色续上，并标成最低置信度。每一块推断出来的区域，都挂着一个诚实的置信分。
还有一条我觉得该裱起来的规定：它永远不许输出「100% 还原」这句话。
因为单靠一张图，物理上就不可能保证百分百——那就别给用户一个虚假的安心，改成一区一区地报「这块我有几成把握」。
一个系统成不成熟，光看它多能干还不够，得看它清不清楚自己哪儿不能干——而且肯大声讲出来，
别拿一个漂亮的输出把心里的没底盖过去。
03. 一把尺子：它想拿高分，还是想给你可信的结果
盘到这儿，这个项目给了我一把尺子，可以用来掂量任何一个 AI 系统——不只是建模的。
回头看它那三招，指向的其实是同一件事。
- 数厚度值，是不让「拿高分」等于「真的对」；
- 死脚本管卡关，是把判断力省给真正的判断；
- 逼它承认猜测，是不让一个漂亮的输出盖住底下的心虚。
三招都在对抗同一个诱惑——AI 太容易学会怎么把指标刷好看，而把事做对这件更难的，就悄悄放一边了。
「指标好看」和「事做对了」经常是两回事，有时甚至是反的。那把假贴图就是活标本：指标满分，结果错的。
你面前这个 AI 系统，到底是在冲着高分使劲，还是在替你把事做对？
这俩看着像，其实两回事。
一个只想拿高分的系统，会挑最容易骗过验收的那个角度发力，把没把握的地方悄悄抹平，在你看不见的犄角旮旯偷工——反正指标漂亮就行。
而真想给你可信结果的，做法反过来：
它会主动去找那个自己最难糊弄过去的维度来考自己，没把握的地方明明白白标出来，实在做不到的，宁可当面告诉你「这个我搞不定」，也不糊一个假的塞给你交差。
三维重建只是个由头。
等 AI 开始替我们判断越来越多看不见对错的事情，这把尺子只会越来越值钱：
能干，是本事；知道自己哪儿不能干、还老实说出来，是更稀缺的本事。
一个开源建模工具都把这条想明白了、并且用一行行代码守住了，那些把「全都能做、准确率 99%」打包一口价卖给你的，心里到底有没有这根弦，你自己掂量。