GPT-6 Astra x V2Fun - Van codegeneratie naar modelsamenwerking

GPT-6 Astra × V2Fun: Van codegeneratie naar model­samenwerking

Stel je een 3D-modelleerproces als volgt voor.

Je geeft GPT-6 Astra een referentieafbeelding van een graafmachine. Eerst identificeert het de onderdelen van de machine: de cabine, rupsbanden, onderwagen, giek, lepelsteel, bak en meer.

Deze hoofdonderdelen worden vervolgens afzonderlijk naar een gespecialiseerd 3D-generatiemodel gestuurd en binnen enkele tientallen seconden als afzonderlijke assets teruggestuurd.

Daarna neemt GPT-6 Astra het over.

Het bepaalt de schaal en ruimtelijke verhoudingen van elk onderdeel, plaatst de rupsbanden aan weerszijden van de onderwagen, bevestigt de giek aan de carrosserie en verbindt vervolgens de lepelsteel en bak. Zodra de hoofdstructuur compleet is, gebruikt het Three.js om hydraulische slangen, schroeven, draaipunten en zelfs de bedieningsjoysticks in de cabine toe te voegen.

Ten slotte verschijnt er een complete, gestructureerde en bewerkbare graafmachine in de 3D-scène.

Dit is meer dan alleen beeld-naar-3D-generatie of alleen codegeneratie.

Het zijn twee AI-mogelijkheden die op een natuurlijkere manier beginnen samen te werken:

GPT-6 Astra verzorgt begrip, planning en constructie, terwijl een gespecialiseerd 3D-foundationmodel complexe geometrie afhandelt.

Dit is een nieuwe workflow die ​V2Fun​, een product van Vertex Lab, onlangs is gaan verkennen.

Daarachter ligt een bredere verschuiving:

3D-agents gaan van “alles zelf genereren” naar “weten welk model ze moeten aanroepen en wanneer.”

01

KEERPUNT

GPT-6 Astra kan al in 3D bouwen. Wat komt hierna?

Een belangrijke verandering die GPT-6 Astra brengt, is dat grote taalmodellen daadwerkelijk de driedimensionale wereld betreden.

In het verleden waren we er meer aan gewend om AI te vragen een afbeelding, video of tekst te genereren. Nu kan GPT-6 Astra dankzij steeds krachtiger multimodaal begrip, ruimtelijk redeneren en programmeervaardigheden de structuur van een 3D-object begrijpen en het vervolgens daadwerkelijk bouwen via procedurele methoden zoals Three.js.

Neem bijvoorbeeld een industriële productielijn.

GPT-6 Astra kan de transportbanden, rollen, draagframes, motoren en werkstations identificeren en vervolgens geleidelijk de bijbehorende geometrie genereren.

Deze objecten zijn bijzonder geschikt voor procedurele modellering, omdat ze doorgaans duidelijke wiskundige relaties en herhaalde structuren hebben. Een draagkolom kan worden weergegeven door een eenvoudige geometrische vorm, een rol kan tientallen keren worden gedupliceerd en de lengte en positie van een transportband kunnen rechtstreeks via parameters worden geregeld.

Belangrijker nog: het resultaat is geen volledig ondoorzichtige mesh.

Elk onderdeel van de productielijn blijft een afzonderlijk object dat nog steeds kan worden verplaatst, gedupliceerd, verwijderd of aangepast.

Vanuit dit perspectief doet GPT-6 Astra meer dan “3D genereren”. Het begint een vaardigheid te ontwikkelen die dichter bij die van een 3D-ingenieur ligt:

Begrijpen waaruit een object bestaat en het bouwen.

Maar naarmate objecten complexer worden, ontstaat er een nieuwe vraag.

Wat als het object geen productielijn is, maar een menselijk gezicht, een wezen, kleding, een beeldhouwwerk of zelfs een graafmachine met complexe industriële oppervlakken? Moet GPT-6 Astra dan nog steeds alle geometrie in code schrijven?

Het antwoord hoeft niet het een of het ander te zijn.

En precies daar kan V2Fun de workflow binnenkomen.

02

WAAROM V2FUN

Waarom V2Fun?

V2Fun is geen 3D-API die speciaal voor deze demo snel is toegevoegd.

Het is het productplatform voor Vertex Labs langetermijnonderzoek en -ontwikkeling van AI-3D-foundationmodellen.

Vertex Lab werd in 2025 opgericht en richt zich consequent op 3D-generatie, ruimtelijke intelligentie en op langere termijn infrastructuur voor wereldmodellen.

V2Fun werd eerder geïntroduceerd tijdens HDC 2026 als HarmonyOS’ eerste AI-native applicatie die wordt aangedreven door een 3D-foundationmodel. De mobiele app en webwerkruimte omvatten de volledige workflow, van dagelijkse creatie tot professionele productie van 3D-content.

De kern ervan draait altijd om dezelfde vraag:

Hoe kan een complex driedimensionaal object met minder moeite en in minder tijd worden omgezet in een bruikbare 3D-asset?

De komende V2Fun 2.0 zal deze mogelijkheden verder uitbreiden.

De nieuwe versie bevat de nieuwste generatie van het 3D-foundationmodel en ondersteunt textuurgeneratie met resoluties tot 8K. De focus ligt op het verbeteren van de generat kwaliteit voor complexe geometrie, menselijke personages, wezens, kleding, sculpturen en andere onregelmatige oppervlakken.

Daarom is de combinatie van V2Fun en GPT-6 Astra meer dan een toevallige product­samenwerking.

De problemen waarin beide uitblinken, vullen elkaar van nature aan.

GPT-6 Astra blinkt uit in begrip, planning, ruimtelijke relaties, codering en orkestratie van agents.

V2Fun blinkt uit in het rechtstreeks genereren van complexe 3D-geometrie en hoogwaardige oppervlakken.

De ene is beter in het beantwoorden van:

“Hoe moet dit object worden gebouwd?”

De andere is beter in het beantwoorden van:

“Hoe moet dit complexe onderdeel er daadwerkelijk uitzien?”

Zodra deze twee mogelijkheden samenkomen, is 3D-generatie niet langer beperkt tot één aanpak.

03

UITDAGING

Sommige dingen kun je het beste met code bouwen. Andere kun je beter rechtstreeks genereren.

Laten we teruggaan naar die graafmachine.

Structureel is deze zeer regelmatig.

GPT-6 Astra kan gemakkelijk begrijpen dat een graafmachine bestaat uit een onderwagen, linker- en rechterrupsband, carrosserie, cabine, giek, lepelsteel en bak. Het kan ook begrijpen hoe deze onderdelen met elkaar moeten worden verbonden.

Maar kijk je beter, dan verandert het probleem.

De cabine is geen eenvoudige kubus en de carrosserie kan niet nauwkeurig worden weergegeven door enkele primitieve vormen te combineren. De bak heeft doorlopende gebogen oppervlakken, de arm heeft een complexe omtrek en de rupsbanden en onderwagen bevatten een schat aan industriële ontwerpdetails.

GPT-6 Astra kan deze structuren natuurlijk blijven benaderen met procedurele code.

Maar hoe complexer de geometrie, hoe meer code er moet worden gegenereerd en herzien en hoe meer iteraties nodig zijn.

Voor een agent betekent dit dat er steeds meer tokens worden besteed aan het beschrijven van geometrie op laag niveau.

Daarom probeerden we een andere aanpak.

GPT-6 Astra “begrijpt” eerst de graafmachine.

Vervolgens delegeert het de complexe hoofdonderdelen, zoals de cabine, rupsbanden, arm en bak, aan V2Fun 2.0 voor afzonderlijke generatie.

Zodra de generatie is voltooid, neemt GPT-6 Astra het opnieuw over om schaal, rotatie en positie aan te passen en het hele object samen te stellen.

Hier brengt V2Fun precies de mogelijkheid in die het heeft ontwikkeld:

Complexe 3D-structuren rechtstreeks reconstrueren op basis van visuele input, in plaats van een taalmodel oppervlakken indirect te laten beschrijven via grote hoeveelheden code.

Dit lijkt misschien simpelweg minder Three.js schrijven, maar in werkelijkheid verandert het de volledige computationele aanpak.

Interessanter nog: V2Fun vervangt Three.js niet.

Na de assemblage genereert GPT-6 Astra nog steeds zelf veel elementen.

Hydraulische slangen bijvoorbeeld.

Een slang is in wezen een buisvormige structuur die enkele belangrijke punten met elkaar verbindt, waardoor deze ideaal is voor procedurele modellering.

Hetzelfde geldt voor schroeven, verbindingsassen en joysticks.

Deze objecten hebben regelmatige afmetingen, eenvoudige structuren en komen vaak in grote aantallen voor. Voor elk object afzonderlijk een 3D-foundationmodel aanroepen zou de workflow juist duurder en complexer maken.

De uiteindelijke graafmachine is daarom een echte hybride asset.

V2Fun genereert de complexe hoofdonderdelen.

GPT-6 Astra + Three.js verwerkt de regelmatige details.

GPT-6 Astra organiseert beide vervolgens tot één gestructureerd 3D-object.

Dat maakt deze aanpak zo overtuigend:

In plaats van te kiezen tussen codegeneratie en een 3D-foundationmodel, beslist de agent welke mogelijkheid het meest geschikt is voor elk onderdeel.

04

COMPLEXER

Bij menselijke personages wordt de waarde van V2Fun nog duidelijker

De graafmachine is nog altijd voornamelijk een hard-surface-object.

Menselijke personages en complexe organische oppervlakken zijn wat een puur procedurele aanpak echt tot het uiterste drijft.

Om dit te onderzoeken, maakten we een ambitieuzere demo:

GPT-6 Astra vragen een volledig bewapende en gepantserde koning te bouwen.

Naast het menselijk lichaam zelf bevat dit personage ingewikkelde bepantsering, een hoofd, een zwaard en een schild.

Menselijke personages zijn veel moeilijker in regels uit te drukken dan mechanische apparatuur.

Of een gezicht er “goed uitziet”, hangt van meer af dan alleen de ogen, neus en mond ongeveer op de juiste plaatsen zetten.

De vorm van het gezicht, de jukbeenderen, oogkassen, neusbrug, lippen en de subtiele, doorlopende veranderingen in kromming daartussen dragen allemaal bij aan het uiteindelijke uiterlijk.

Hetzelfde geldt voor bepantsering.

Hoewel dit een hard-surface-object is, is het geen eenvoudig technisch onderdeel. Reliëfwerk, ornamenten, doorlopende oppervlakken en gestileerde vormen dragen allemaal bij aan de visuele identiteit van het personage.

Dit zijn precies de soorten objecten waarvoor het volgende generatie 3D-foundationmodel van V2Fun 2.0 beter geschikt is.

In deze demo begrijpt GPT-6 Astra het personage eerst als geheel en splitst het op in verschillende hoofdonderdelen: het hoofd, het lichaam en de bepantsering, het zwaard en het schild.

V2Fun genereert deze complexe onderdelen vervolgens afzonderlijk.

GPT-6 Astra handelt af wat daarna komt:

Is het hoofd correct geschaald en hoe moet het met het lichaam worden verbonden? Waar moeten het zwaard en schild worden geplaatst? Zijn de verhoudingen van de onderdelen consistent? Welke modellen moeten een polygonenreductie ondergaan? En hoe moet alles worden georganiseerd tot een 3D-asset die verder kan worden bewerkt en gebruikt?

Met andere woorden:

V2Fun behandelt “hoe complexe geometrie snel en met hoge kwaliteit kan worden gegenereerd”.

GPT-6 Astra behandelt “hoe die geometrie in een compleet object kan worden omgezet”.

Waarom kan V2Fun deze laag complexe geometrie verwerken?

De reden gaat verder dan “het is ook een beeld-naar-3D-model”.

Het kernonderzoek en de kernontwikkeling van Vertex Lab waren de afgelopen tijd gericht op twee fundamentele vragen:

Hoe geometrie nauwkeuriger kan worden weergegeven en hoe ​texturen met hoge resolutie​​​ consistent kunnen blijven op 3D-oppervlakken.

Aan de geometriekant blijft het team zijn 3D-representaties en generatiearchitectuur verfijnen, met als doel inefficiënte geometrische representaties te verminderen en modelcapaciteit te richten op gebieden met een hoge kromming, dunne structuren en complexe regio’s.

Aan de textuurkant ligt de focus op het aanpakken van de verkeerde uitlijning, scheuren en het detailverlies die vaak optreden bij generatie met hoge resolutie en meerdere gezichtspunten.

Dit vormt ook de basis voor het vermogen van V2Fun 2.0 om hoogwaardige texturen te leveren met resoluties tot 8K.

Voor een agent zijn dergelijke mogelijkheden van groot belang.

Het roept een gespecialiseerd model aan dat echte 3D-assets produceert, in plaats van een visuele generatietool die alleen iets maakt dat “3D lijkt”.

De gegenereerde assets moeten nog steeds door GPT-6 Astra worden samengesteld, in polygonenaantal worden gereduceerd en aangepast, en kunnen uiteindelijk terechtkomen in animatie, games, 3D-printing of andere 3D-workflows.

Dit is de productuitdaging die V2Fun probeert op te lossen:

Ervoor zorgen dat AI meer genereert dan een eenmalig resultaat: een 3D-asset waarmee mensen echt verder kunnen werken.

05

EFFICIËNTIE

Naast hogere kwaliteit is er nog een verandering: tokens

Deze workflow heeft nog een zeer direct voordeel:

Tokenefficiëntie.

Wanneer GPT-6 Astra Three.js gebruikt om een eenvoudige structuur te beschrijven, gebruikt het tokens zeer efficiënt.

Voor een cilinder, hydraulische slang of enkele schroeven is maar weinig code nodig.

Maar wanneer dezelfde methode wordt toegepast om menselijke gezichten, plooien in stof of zeer complexe industriële oppervlakken te benaderen, neemt de hoeveelheid geometrische code die moet worden gegenereerd en herzien snel toe.

Vervolgens worden grote aantallen tokens besteed aan vragen als:

“Hoe kan dit oppervlak iets nauwkeuriger worden gemaakt?”

“Hoe moet deze omtrek verder worden aangepast?”

“Hoeveel geometrische details moeten hier worden toegevoegd?”

Wanneer de complexe onderdelen rechtstreeks aan V2Fun worden gedelegeerd, worden deze processen op laag niveau samengevat in één aanroep van een gespecialiseerd model.

GPT-6 Astra kan meer van zijn redeneercapaciteit besteden aan de beslissingen waarvoor die echt nodig is:

Hoe het object moet worden opgesplitst;

Welke onderdelen afzonderlijk moeten worden gegenereerd;

Hoe de onderdelen zich ruimtelijk tot elkaar verhouden;

Hoe het uiteindelijke object moet worden samengesteld;

Waar verdere wijzigingen nodig zijn.

Daarom biedt V2Fun 2.0 meer dan “beter uitziende modellen”.

Het kan ook het potentieel hebben om zowel GPT-6 Astra’s tokenverbruik als de totale modelleertijd voor complexe 3D-taken te verminderen.

De workflow was eerder misschien:

Begrijpen → Geometriecode schrijven → Herzien → Meer geometriecode schrijven → Opnieuw herzien

Nu wordt deze:

Begrijpen → Opsplitsen in onderdelen → Parallel genereren → Samenstellen → Lokale details toevoegen

Wanneer meerdere complexe onderdelen gelijktijdig kunnen worden gegenereerd, wordt dit efficiëntievoordeel nog groter.

06

AFSLUITING

Van een model genereren naar een essentiële 3D-mogelijkheid voor agents

De afgelopen jaren luidde de centrale vraag in AI-3D:

Hoe genereren we een beter model?

Maar naarmate modellen zoals GPT-6 Astra sterker worden in multimodaal begrip, codering en agentmogelijkheden, verandert die vraag.

In de toekomst hoeft AI mogelijk niet voor elke 3D-taak één enkele techniek te gebruiken.

Eenvoudige structuren kunnen rechtstreeks worden gecodeerd.

Complexe oppervlakken kunnen aan V2Fun worden gedelegeerd.

Bestaande assets kunnen ongewijzigd worden hergebruikt.

Polygonenreductie, assemblage en structurele aanpassingen kunnen vervolgens weer aan de agent worden overgedragen.

Dit sluit aan bij de verschuiving in de 3D-generatie-industrie van eenmalige generatietools naar door agents gestuurde productiviteit. Het referentieartikel beschrijft dezelfde trend: 3D-generatie beweegt van een fase die lijkt op de vroege chatbots naar een productiviteitsfase die door agents wordt aangedreven.

Voor Vertex Lab komt deze richting overeen met zijn technische langetermijnvisie.

Vanaf het begin heeft het bedrijf V2Fun nooit gedefinieerd als slechts een “beeld-naar-3D-website”.

Van 3D-creatie toegankelijker maken op mobiele apparaten, tot professionele assetproductie op het web mogelijk maken, tot 3D-modellen, animatie, beweging en het streven op langere termijn naar ruimtelijke intelligentie en wereldmodellen: Vertex Lab heeft altijd infrastructuur willen bouwen voor 3D-contentgeneratie en ruimtelijke intelligentie.

De opkomst van agents kan een nieuwe weg naar dat doel openen.

In de toekomst hoeven gebruikers misschien niet te weten welk model ze moeten aanroepen, welke code ze moeten schrijven of welke modelleringsmethode ze moeten kiezen.

Ze hoeven misschien alleen maar te zeggen:

“Maak hier 3D van.”

GPT-6 Astra begrijpt het verzoek en beslist hoe het moet worden uitgevoerd.

V2Fun 2.0 wil de gespecialiseerde mogelijkheid worden waarop het voor de complexe driedimensionale wereld vertrouwt.

GPT-6 Astra verzorgt begrip, planning en constructie.

V2Fun zet complexe driedimensionale ideeën om in echte assets.

GPT-6 Astra × V2Fun: Van codegeneratie naar modelsamenwerking.

06

AFSLUITING

Van een model genereren naar een essentiële 3D-mogelijkheid voor agents

De afgelopen jaren luidde de centrale vraag in AI-3D:

Hoe genereren we een beter model?

Maar naarmate modellen zoals GPT-6 Astra sterker worden in multimodaal begrip, codering en agentmogelijkheden, verandert die vraag.

In de toekomst hoeft AI mogelijk niet voor elke 3D-taak één enkele techniek te gebruiken.

Eenvoudige structuren kunnen rechtstreeks worden gecodeerd.

Complexe oppervlakken kunnen aan V2Fun worden gedelegeerd.

Bestaande assets kunnen ongewijzigd worden hergebruikt.

Polygonenreductie, assemblage en structurele aanpassingen kunnen vervolgens weer aan de agent worden overgedragen.

Dit sluit aan bij de verschuiving in de 3D-generatie-industrie van eenmalige generatietools naar door agents gestuurde productiviteit. Het referentieartikel beschrijft dezelfde trend: 3D-generatie beweegt van een fase die lijkt op de vroege chatbots naar een productiviteitsfase die door agents wordt aangedreven.

Voor Vertex Lab komt deze richting overeen met zijn technische langetermijnvisie.

Vanaf het begin heeft het bedrijf V2Fun nooit gedefinieerd als slechts een “beeld-naar-3D-website”.

Van 3D-creatie toegankelijker maken op mobiele apparaten, tot professionele assetproductie op het web mogelijk maken, tot 3D-modellen, animatie, beweging en het streven op langere termijn naar ruimtelijke intelligentie en wereldmodellen: Vertex Lab heeft altijd infrastructuur willen bouwen voor 3D-contentgeneratie en ruimtelijke intelligentie.

De opkomst van agents kan een nieuwe weg naar dat doel openen.

In de toekomst hoeven gebruikers misschien niet te weten welk model ze moeten aanroepen, welke code ze moeten schrijven of welke modelleringsmethode ze moeten kiezen.

Ze hoeven misschien alleen maar te zeggen:

“Maak hier 3D van.”

GPT-6 Astra begrijpt het verzoek en beslist hoe het moet worden uitgevoerd.

V2Fun 2.0 wil de gespecialiseerde mogelijkheid worden waarop het voor de complexe driedimensionale wereld vertrouwt.

GPT-6 Astra verzorgt begrip, planning en constructie.

V2Fun zet complexe driedimensionale ideeën om in echte assets.

GPT-6 Astra × V2Fun: Van codegeneratie naar modelsamenwerking.