GPT-6 Astra x V2Fun - Från kodgenerering till modellsamarbete

Föreställ dig en 3D-modelleringsprocess som denna.

Du ger GPT-6 Astra en referensbild av en grävmaskin. Först identifierar den maskinens komponenter: hytten, larvbanden, underredet, bommen, stickan, skopan med mera.

Dessa huvudkomponenter skickas sedan individuellt till en specialiserad 3D-genereringsmodell och returneras som separata tillgångar inom några tiotal sekunder.

Därefter tar GPT-6 Astra över.

Den fastställer skalan och de rumsliga relationerna mellan varje del, placerar larvbanden på varsin sida av underredet, fäster bommen vid karossen och kopplar sedan ihop stickan och skopan i tur och ordning. När huvudstrukturen är klar använder den Three.js för att lägga till hydraulslangar, skruvar, ledaxlar och till och med styrspakarna inne i hytten.

Till slut visas en komplett, strukturerad och redigerbar grävmaskin i 3D-scenen.

Detta är mer än enbart bild-till-3D-generering eller enbart kodgenerering.

Det är två AI-förmågor som börjar samarbeta på ett mer naturligt sätt:

GPT-6 Astra hanterar förståelse, planering och konstruktion, medan en specialiserad 3D-grundmodell hanterar komplex geometri.

Detta är ett nytt arbetsflöde som V2Fun, en produkt från Vertex Lab, nyligen har börjat utforska.

Bakom detta ligger en bredare förändring:

3D-agenter går från att ”generera allt själva” till att ”veta vilken modell som ska anropas och när”.

01 VÄNDPUNKT

GPT-6 Astra kan redan bygga i 3D. Vad kommer härnäst?

En betydande förändring som GPT-6 Astra har fört med sig är att stora språkmodeller verkligen träder in i den tredimensionella världen.

Tidigare var vi mer vana vid att be AI generera en bild, en video eller en text. Nu kan GPT-6 Astra, med allt bättre multimodal förståelse, spatialt resonemang och kodning, förstå strukturen hos ett 3D-objekt och sedan faktiskt bygga det genom procedurella metoder som Three.js.

Ta exempelvis en industriell produktionslinje.

GPT-6 Astra kan identifiera dess transportband, rullar, stödramverk, motorer och arbetsstationer och sedan stegvis generera motsvarande geometri.

Dessa objekt lämpar sig särskilt väl för procedurell modellering eftersom de ofta har tydliga matematiska relationer och upprepade strukturer. En stödpelare kan representeras av en enkel geometrisk form, en rulle kan dupliceras dussintals gånger och ett transportbands längd och position kan styras direkt genom parametrar.

Ännu viktigare är att resultatet inte är ett helt ogenomskinligt nät.

Varje komponent i produktionslinjen förblir ett separat objekt som fortfarande kan flyttas, dupliceras, tas bort eller ändras.

Ur detta perspektiv gör GPT-6 Astra mer än att ”generera 3D”. Den börjar utveckla en förmåga som ligger närmare en 3D-ingenjörs:

Att förstå vad ett objekt består av och bygga det.

Men när objekten blir mer komplexa uppstår en ny fråga.

Vad händer om objektet inte är en produktionslinje, utan ett mänskligt ansikte, en varelse, kläder, en skulptur eller till och med en grävmaskin med komplexa industriella ytor? Ska GPT-6 Astra fortfarande skriva all geometri i kod?

Svaret behöver kanske inte vara antingen eller.

Och det är precis här V2Fun kan komma in i arbetsflödet.

02 VARFÖR V2FUN

Varför V2Fun?

V2Fun är inte ett 3D-API som lagts till i all hast bara för denna demo.

Det är produktplattformen för Vertex Labs långsiktiga forskning och utveckling av AI-baserade 3D-grundmodeller.

Vertex Lab grundades 2025 och har konsekvent fokuserat på 3D-generering, spatial intelligens och på längre sikt infrastruktur för världsmodeller.

V2Fun lanserades tidigare på HDC 2026 som HarmonyOS första AI-infödda applikation med stöd av en 3D-grundmodell. Mobilappen och webbarbetsytan omfattar hela arbetsflödet, från vardagligt skapande till professionell produktion av 3D-innehåll.

Kärnan har alltid varit samma fråga:

Hur kan ett komplext tredimensionellt objekt omvandlas till en användbar 3D-tillgång med mindre ansträngning och på kortare tid?

Den kommande V2Fun 2.0 kommer att ta dessa förmågor ännu längre.

Den nya versionen kommer att innehålla den senaste generationen av dess 3D-grundmodell och stödja texturgenerering med upplösningar på upp till 8K. Fokus ligger på att förbättra genereringskvaliteten för komplex geometri, mänskliga karaktärer, varelser, kläder, skulpturer och andra oregelbundna ytor.

Det är därför kombinationen av V2Fun och GPT-6 Astra är mer än ett tillfälligt produktsamarbete.

De problem som de är bäst på att lösa kompletterar varandra i grunden.

GPT-6 Astra är särskilt bra på förståelse, planering, spatiala relationer, kodning och agentsamordning.

V2Fun är särskilt bra på att direkt generera komplex 3D-geometri och högkvalitativa ytor.

Den ena är bättre på att svara på:

”Hur bör detta objekt byggas?”

Den andra är bättre på att svara på:

”Hur bör denna komplexa komponent faktiskt se ut?”

När dessa två förmågor kombineras är 3D-generering inte längre begränsad till ett enda tillvägagångssätt.

03 UTMANING

Vissa saker byggs bäst med kod. Andra genereras bättre direkt.

Låt oss återvända till grävmaskinen.

Strukturellt är den mycket regelbunden.

GPT-6 Astra kan enkelt förstå att en grävmaskin består av ett underrede, vänster och höger larvband, en kaross, en hytt, en bom, en sticka och en skopa. Den kan också förstå hur dessa delar bör kopplas samman.

Men tittar man närmare förändras problemet.

Hytten är inte en enkel kub, och karosskalet kan inte representeras korrekt genom att kombinera några få grundformer. Skopan har kontinuerligt böjda ytor, armen har en komplex kontur och larvbanden och underredet innehåller en mängd industriella designdetaljer.

GPT-6 Astra kan förstås fortsätta approximera dessa strukturer med procedurell kod.

Men ju mer komplex geometrin är, desto mer kod måste genereras och revideras, och desto fler iterationer krävs.

För en agent innebär detta att allt fler tokens går åt till att beskriva geometri på låg nivå.

Därför provade vi ett annat tillvägagångssätt.

GPT-6 Astra ”förstår” först grävmaskinen.

Sedan delegerar den de komplexa huvudkomponenterna, såsom hytten, larvbanden, armen och skopan, till V2Fun 2.0 för separat generering.

När genereringen är klar tar GPT-6 Astra över igen för att justera skala, rotation och position samt montera hela objektet.

Här bidrar V2Fun med precis den förmåga som företaget har utvecklat:

Att rekonstruera komplexa 3D-strukturer direkt från visuella indata, i stället för att låta en språkmodell beskriva ytor indirekt genom stora mängder kod.

Detta kan se ut som att man helt enkelt skriver mindre Three.js, men i själva verket förändrar det hela det beräkningsmässiga tillvägagångssättet.

Ännu mer intressant är att V2Fun inte ersätter Three.js.

Efter monteringen genererar GPT-6 Astra fortfarande många element själv.

Hydraulslangar, till exempel.

En slang är i grunden en rörformad struktur som förbinder några viktiga punkter, vilket gör den idealisk för procedurell modellering.

Detsamma gäller skruvar, kopplingsaxlar och styrspakar.

Dessa objekt har regelbundna dimensioner, enkla strukturer och förekommer ofta i stort antal. Att anropa en 3D-grundmodell separat för varje objekt skulle faktiskt öka kostnaden och komplexiteten i arbetsflödet.

Den slutliga grävmaskinen är därför en verklig hybridtillgång.

V2Fun genererar de komplexa huvudkomponenterna.

GPT-6 Astra + Three.js hanterar de regelbundna detaljerna.

GPT-6 Astra organiserar sedan båda delarna till ett enda strukturerat 3D-objekt.

Det är detta som gör metoden övertygande:

I stället för att välja mellan kodgenerering och en 3D-grundmodell avgör agenten vilken förmåga som passar bäst för varje del.

04 MER KOMPLEXT

Med mänskliga karaktärer blir V2Funs värde ännu tydligare

Grävmaskinen är fortfarande främst ett hårdyteobjekt.

Mänskliga karaktärer och komplexa organiska ytor är det som verkligen pressar ett rent procedurellt tillvägagångssätt till dess gränser.

För att utforska detta skapade vi en mer ambitiös demo:

Att be GPT-6 Astra bygga en fullt beväpnad och bepansrad kung.

Utöver själva människokroppen har denna karaktär detaljerad rustning, ett huvud, ett svärd och en sköld.

Mänskliga karaktärer är mycket svårare att uttrycka genom regler än mekanisk utrustning.

Om ett ansikte ”ser rätt ut” beror på mer än att placera ögon, näsa och mun ungefär på rätt ställen.

Ansiktets form, kindbenen, ögonhålorna, näsryggen, läpparna och de subtila, kontinuerliga förändringarna i krökningen mellan dem bidrar alla till det slutliga utseendet.

Detsamma gäller rustning.

Även om den är ett hårdyteobjekt är den inte en enkel teknisk komponent. Reliefarbete, ornamentik, kontinuerliga ytor och stiliserade former bidrar alla till karaktärens visuella identitet.

Detta är precis den typ av objekt som nästa generations 3D-grundmodell i V2Fun 2.0 är bättre lämpad att hantera.

I denna demo förstår GPT-6 Astra först karaktären som helhet och delar upp den i flera huvuddelar: huvudet, kroppen och rustningen, svärdet samt skölden.

V2Fun genererar sedan dessa komplexa komponenter separat.

GPT-6 Astra hanterar det som kommer härnäst:

Är huvudet korrekt skalat och hur bör det kopplas till kroppen? Var bör svärdet och skölden placeras? Är delarnas proportioner konsekventa? Vilka modeller behöver polygonreduceras? Och hur bör allt organiseras till en 3D-tillgång som kan redigeras och användas vidare?

Med andra ord:

V2Fun hanterar ”hur man snabbt genererar komplex geometri med hög kvalitet”.

GPT-6 Astra hanterar ”hur man omvandlar den geometrin till ett komplett objekt”.

Varför kan V2Fun hantera detta lager av komplex geometri?

Anledningen sträcker sig längre än att ”det också är en bild-till-3D-modell”.

Vertex Labs centrala forskning och utveckling på senare tid har fokuserat på två grundläggande frågor:

Hur kan geometri representeras mer exakt, och hur kan högupplösta texturer hållas konsekventa över 3D-ytor?

På geometrisidan fortsätter teamet att förfina sina 3D-representationer och sin genereringsarkitektur, med målet att minska ineffektiva geometriska representationer och fokusera modellens kapacitet på områden med hög krökning, tunna strukturer och komplexa regioner.

På textursidan ligger fokus på att hantera den felinpassning, de revor och den detaljförlust som ofta uppstår vid högupplöst generering från flera vyer.

Detta ligger också till grund för V2Fun 2.0:s förmåga att leverera högkvalitativa texturer med upplösningar på upp till 8K.

För en agent är sådana förmågor mycket viktiga.

Den anropar en specialiserad modell som producerar verkliga 3D-tillgångar, snarare än ett visuellt genereringsverktyg som bara skapar något som ”ser ut som 3D”.

De genererade tillgångarna måste fortfarande monteras, reduceras i polygonantal och ändras av GPT-6 Astra, och kan så småningom användas inom animering, spel, 3D-utskrift eller andra 3D-arbetsflöden.

Detta är den produktutmaning som V2Fun har arbetat med att lösa:

Att säkerställa att AI genererar mer än ett engångsresultat: en 3D-tillgång som människor verkligen kan fortsätta arbeta med.

05 EFFEKTIVITET

Utöver högre kvalitet sker en annan förändring: tokens

Detta arbetsflöde har ytterligare en mycket direkt fördel:

Tokeneffektivitet.

När GPT-6 Astra använder Three.js för att beskriva en enkel struktur använder den tokens mycket effektivt.

En cylinder, en hydraulslang eller några skruvar kräver mycket lite kod.

Men när samma metod används för att approximera mänskliga ansikten, tygveck eller mycket komplexa industriella ytor ökar snabbt mängden geometri-kod som måste genereras och revideras.

Då går stora mängder tokens åt till frågor som:

”Hur kan den här ytan göras lite mer exakt?”

”Hur bör denna kontur justeras ytterligare?”

”Hur mycket geometrisk detalj bör läggas till här?”

När de komplexa delarna delegeras direkt till V2Fun kondenseras dessa processer på låg nivå till ett enda anrop till en specialiserad modell.

GPT-6 Astra kan ägna mer av sina resonemangsresurser åt de beslut som verkligen kräver dem:

Hur objektet ska delas upp;

Vilka delar som bör genereras separat;

Hur delarna förhåller sig till varandra i rummet;

Hur det slutliga objektet ska monteras;

Var ytterligare ändringar behövs.

Det är därför V2Fun 2.0 erbjuder mer än ”snyggare modeller”.

Det har också potential att minska både GPT-6 Astras tokenförbrukning och den totala modelleringstiden för komplexa 3D-uppgifter.

Arbetsflödet kunde tidigare ha varit:

Förstå → Skriv geometrikod → Revidera → Skriv mer geometrikod → Revidera igen

Nu blir det:

Förstå → Dela upp i delar → Generera parallellt → Montera → Lägg till lokala detaljer

När flera komplexa komponenter kan genereras samtidigt blir denna effektivitetsfördel ännu större.

06 AVSLUTNING

Från att generera en modell till att bli en central 3D-förmåga för agenter

Under de senaste åren har den centrala frågan inom AI-3D varit:

Hur genererar vi en bättre modell?

Men när modeller som GPT-6 Astra får starkare multimodal förståelse, kodningsförmåga och agentförmågor förändras den frågan.

I framtiden kanske AI inte behöver använda en enda teknik för varje 3D-uppgift.

Enkla strukturer kan kodas direkt.

Komplexa ytor kan delegeras till V2Fun.

Befintliga tillgångar kan återanvändas som de är.

Polygonreducering, montering och strukturella justeringar kan sedan lämnas tillbaka till agenten.

Detta ligger i linje med 3D-genereringsbranschens skifte från engångsverktyg för generering till agentdriven produktivitet. Referensartikeln beskriver samma trend: 3D-generering går från ett stadium som liknar de tidiga chattbotarna till en produktivitetsfas som drivs av agenter.

För Vertex Lab överensstämmer denna riktning med företagets långsiktiga tekniska vision.

Sedan starten har företaget aldrig definierat V2Fun som enbart en ”bild-till-3D-webbplats”.

Från att göra 3D-skapande mer tillgängligt på mobilen, till att möjliggöra professionell tillgångsproduktion på webben, till 3D-modeller, animering, rörelse och den långsiktiga strävan efter spatial intelligens och världsmodeller har Vertex Lab alltid haft som mål att bygga infrastruktur för 3D-innehållsgenerering och spatial intelligens.

Agenternas framväxt kan öppna en ny väg mot detta mål.

I framtiden kanske användare inte behöver veta vilken modell som ska anropas, vilken kod som ska skrivas eller vilken modelleringsmetod som ska väljas.

De kanske bara behöver säga:

”Gör detta till 3D.”

GPT-6 Astra kommer att förstå begäran och avgöra hur den ska genomföras.

V2Fun 2.0 siktar på att bli den specialiserade förmåga som GPT-6 Astra förlitar sig på för den komplexa tredimensionella världen.

GPT-6 Astra hanterar förståelse, planering och konstruktion.

V2Fun omvandlar komplexa tredimensionella idéer till verkliga tillgångar.

GPT-6 Astra × V2Fun: Från kodgenerering till modellsamarbete.