GPT-6 Astra x V2Fun - Van codegeneratie naar modelsamenwerking

Stel je een 3D-modelleringsproces 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 tientallen seconden als afzonderlijke assets teruggestuurd.

Vervolgens neemt GPT-6 Astra het over.

Het bepaalt de schaal en ruimtelijke relaties van elk onderdeel, plaatst de rupsbanden aan weerszijden van de onderwagen, bevestigt de giek aan de romp en verbindt vervolgens de lepelsteel en bak in de juiste volgorde. 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-capaciteiten die op een natuurlijkere manier beginnen samen te werken:

GPT-6 Astra verzorgt het begrip, de planning en de 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 wanneer moeten aanroepen”.

01 KEERPUNT

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

Een belangrijke verandering die GPT-6 Astra met zich meebrengt, 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 coderen, 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, steunframes, 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 steunzuil 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 aangestuurd.

Belangrijker nog: het resultaat is geen volledig ondoorzichtig 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 capaciteit te ontwikkelen die dichter bij die van een 3D-engineer ligt:

Begrijpen waaruit een object bestaat en het bouwen.

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

Wat als het object geen productielijn is, maar een menselijk gezicht, een wezen, kleding, een sculptuur 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 ene of het andere te zijn.

En precies daar kan V2Fun de workflow binnenkomen.

02 WAAROM V2FUN

Waarom V2Fun?

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

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

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

V2Fun werd eerder geïntroduceerd op 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 is altijd dezelfde vraag geweest:

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

De komende V2Fun 2.0 zal deze mogelijkheden verder uitbreiden.

De nieuwe versie beschikt over 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 product samenwerking.

De problemen waarin ze uitblinken zijn van nature complementair.

GPT-6 Astra blinkt uit in begrip, planning, ruimtelijke relaties, coderen 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 capaciteiten samenkomen, is 3D-generatie niet langer beperkt tot één aanpak.

03 UITDAGING

Sommige dingen bouw je het best met code. Andere kun je beter rechtstreeks genereren.

Laten we teruggaan naar die graafmachine.

Structureel is die zeer regelmatig.

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

Maar kijk beter, en het probleem verandert.

De cabine is geen eenvoudige kubus en de romp kan niet nauwkeurig worden weergegeven door een paar 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 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 weer over om schaal, rotatie en positie aan te passen en het volledige object samen te stellen.

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

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

Dit lijkt misschien gewoon alsof er minder Three.js wordt geschreven, 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 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 juist kosten en complexiteit aan de workflow toevoegen.

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.

Dit maakt de aanpak overtuigend:

In plaats van te kiezen tussen codegeneratie en een 3D-foundationmodel, bepaalt de agent welke capaciteit 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 brengen een puur procedurele aanpak pas echt tot zijn grenzen.

Om dit te onderzoeken, creëerden 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 via regels uit te drukken dan mechanische apparatuur.

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

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 het een hard-surface-object is, is het geen eenvoudig technisch onderdeel. Reliëfwerk, versieringen, 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 eerst het personage als geheel en splitst het dit op in verschillende hoofdonderdelen: het hoofd, lichaam en bepantsering, zwaard en 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 polygonenreductie ondergaan? En hoe moet alles worden georganiseerd tot een 3D-asset die kan worden bewerkt en verder gebruikt?

Met andere woorden:

V2Fun richt zich op “hoe complexe geometrie snel en met hoge kwaliteit kan worden gegenereerd”.

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

Waarom kan V2Fun deze laag van 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 in recent werk gericht op twee fundamentele vragen:

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

Op het gebied van geometrie 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.

Op het gebied van texturen ligt de focus op het aanpakken van de verkeerde uitlijning, scheuren en het verlies van detail die vaak voorkomen bij generatie met hoge resolutie en meerdere camerastandpunten.

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 capaciteiten 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 “er 3D uitziet”.

De gegenereerde assets moeten nog steeds worden samengesteld, in het aantal polygonen worden gereduceerd en door GPT-6 Astra worden 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 waar mensen echt mee kunnen blijven 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.

Een cilinder, een hydraulische slang of enkele schroeven vereisen maar weinig code.

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.

Grote aantallen tokens worden dan 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 redeneermiddelen besteden aan de beslissingen waarvoor die echt nodig zijn:

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 “modellen die er beter uitzien”.

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

De workflow was misschien eerder:

Begrijpen → Geometrische code schrijven → Herzien → Meer geometrische code schrijven → Opnieuw herzien

Nu wordt het:

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

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

06 AFSLUITING

Van het genereren van een model naar een kerncapaciteit voor agents in 3D

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

Hoe genereren we een beter model?

Maar naarmate modellen zoals GPT-6 Astra sterker worden in multimodaal begrip, coderen en agentcapaciteiten, 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 worden hergebruikt zoals ze zijn.

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 tools voor eenmalige generatie naar door agents aangedreven productiviteit. Het referentieartikel beschrijft dezelfde trend: 3D-generatie beweegt van een fase die lijkt op de vroege chatbots naar een fase van door agents aangedreven productiviteit.

Voor Vertex Lab is deze richting consistent met zijn langetermijnvisie op technologie.

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

Van het toegankelijker maken van 3D-creatie op mobiel, via het mogelijk maken van professionele assetproductie op het web, tot 3D-modellen, animatie, beweging en het langetermijnstreven 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 hiervan 3D.”

GPT-6 Astra zal het verzoek begrijpen en beslissen hoe het moet worden uitgevoerd.

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

GPT-6 Astra verzorgt het begrip, de planning en de constructie.

V2Fun zet complexe driedimensionale ideeën om in echte assets.

GPT-6 Astra × V2Fun: Van codegeneratie naar model samenwerking.