GPT-6 Astra x V2Fun - Mula sa Pagbuo ng Code tungo sa Pakikipagtulungan ng mga Modelo

Isipin ang isang proseso ng 3D modeling na ganito.

Bibigyan mo ang GPT-6 Astra ng reference image ng isang excavator. Tinutukoy muna nito ang mga bahagi ng makina: ang cab, mga track, undercarriage, boom, stick, bucket, at iba pa.

Pagkatapos, isa-isang ipinapadala ang mga pangunahing bahaging ito sa isang espesyal na 3D generation model at ibinabalik bilang magkakahiwalay na asset sa loob ng ilang sampung segundo.

Susunod na umaako ang GPT-6 Astra.

Tinutukoy nito ang scale at mga spatial relationship ng bawat bahagi, inilalagay ang mga track sa magkabilang panig ng undercarriage, ikinakabit ang boom sa katawan, at pagkatapos ay ikinokonekta ang stick at bucket nang magkakasunod. Kapag kumpleto na ang pangunahing estruktura, ginagamit nito ang Three.js upang magdagdag ng hydraulic hose, turnilyo, pivot shaft, at maging mga control joystick sa loob ng cab.

Sa huli, lumilitaw sa 3D scene ang isang kumpleto, structured, at nae-edit na excavator.

Higit pa ito sa image-to-3D generation lamang, o code generation lamang.

Ito ay dalawang kakayahan ng AI na nagsisimulang magtulungan sa mas natural na paraan:

Ang GPT-6 Astra ang humahawak sa pag-unawa, pagpaplano, at pagbuo, habang ang isang espesyal na 3D foundation model ang humahawak sa kumplikadong geometry.

Isa itong bagong workflow na kamakailan lamang pinag-aaralan ng V2Fun, isang produkto ng Vertex Lab.

Sa likod nito ay may mas malawak na pagbabago:

Ang mga 3D agent ay lumilipat mula sa “sila mismo ang bumubuo ng lahat” tungo sa “alam nila kung aling model ang tatawagin, at kung kailan.”

01 TURNING POINT

Nakakabuo na ang GPT-6 Astra sa 3D. Ano ang susunod?

Isa sa mahahalagang pagbabagong dala ng GPT-6 Astra ay ang tunay na pagpasok ng mga large language model sa three-dimensional na mundo.

Noon, mas nakasanayan nating hilingin sa AI na bumuo ng larawan, video, o piraso ng teksto. Ngayon, dahil sa patuloy na pag-unlad ng multimodal understanding, spatial reasoning, at coding, nauunawaan ng GPT-6 Astra ang estruktura ng isang 3D object at aktuwal itong nabubuo gamit ang mga procedural method tulad ng Three.js.

Halimbawa, isang industrial production line.

Matutukoy ng GPT-6 Astra ang mga conveyor belt, roller, support frame, motor, at workstation nito, at pagkatapos ay unti-unting bubuuin ang kaukulang geometry.

Ang mga object na ito ay partikular na angkop sa procedural modeling dahil karaniwan silang may malinaw na mathematical relationship at paulit-ulit na estruktura. Maaaring katawanin ang isang support column ng isang pangunahing geometric shape, maaaring kopyahin nang dose-dosenang beses ang isang roller, at maaaring direktang kontrolin sa pamamagitan ng mga parameter ang haba at posisyon ng conveyor belt.

Higit sa lahat, ang resulta ay hindi isang ganap na opaque mesh.

Ang bawat bahagi ng production line ay nananatiling hiwalay na object na maaari pa ring ilipat, kopyahin, burahin, o baguhin.

Mula sa pananaw na ito, higit pa sa “pagbuo ng 3D” ang ginagawa ng GPT-6 Astra. Nagsisimula itong magkaroon ng kakayahang mas malapit sa isang 3D engineer:

Pag-unawa kung saan binubuo ang isang object, at pagbuo nito.

Ngunit habang nagiging mas kumplikado ang mga object, may lumilitaw na bagong tanong.

Paano kung ang object ay hindi production line, kundi mukha ng tao, nilalang, damit, eskultura, o kahit excavator na may kumplikadong industrial surface? Dapat pa rin bang isulat ng GPT-6 Astra ang lahat ng geometry sa code?

Maaaring hindi ito usaping kailangang pumili ng isa lamang.

At dito mismo maaaring pumasok ang V2Fun sa workflow.

02 WHY V2FUN

Bakit V2Fun?

Ang V2Fun ay hindi isang 3D API na basta idinagdag para lamang sa demo na ito.

Ito ang product platform para sa pangmatagalang research and development ng Vertex Lab sa AI 3D foundation model.

Itinatag noong 2025, palagiang nakatuon ang Vertex Lab sa 3D generation, spatial intelligence, at, sa mas mahabang panahon, infrastructure para sa world model.

Unang ipinakilala ang V2Fun sa HDC 2026 bilang unang AI-native application ng HarmonyOS na pinapagana ng isang 3D foundation model. Saklaw ng mobile app at web workspace nito ang buong workflow mula sa pang-araw-araw na paglikha hanggang sa propesyonal na 3D content production.

Sa pinakapuso nito, palagi nitong tinutugunan ang parehong tanong:

Paano magiging magagamit na 3D asset ang isang kumplikadong three-dimensional object, gamit ang mas kaunting pagsisikap at mas maikling oras?

Palalawakin pa ng paparating na V2Fun 2.0 ang mga kakayahang ito.

Itatampok ng bagong bersyon ang pinakabagong henerasyon ng 3D foundation model nito at susuportahan ang texture generation na may resolution na hanggang 8K. Nakatuon ito sa pagpapahusay ng generation quality para sa kumplikadong geometry, human character, nilalang, damit, eskultura, at iba pang irregular surface.

Ito ang dahilan kung bakit higit pa sa isang pagkakataong product collaboration ang kombinasyon ng V2Fun at GPT-6 Astra.

Ang mga problemang mahusay nilang lutasin ay likas na magkatuwang.

Mahusay ang GPT-6 Astra sa pag-unawa, pagpaplano, spatial relationship, coding, at agent orchestration.

Mahusay ang V2Fun sa direktang pagbuo ng kumplikadong 3D geometry at de-kalidad na surface.

Mas mahusay ang isa sa pagsagot sa:

“Paano dapat buuin ang object na ito?”

Mas mahusay naman ang isa sa pagsagot sa:

“Ano ba talaga dapat ang itsura ng kumplikadong component na ito?”

Kapag nagsama ang dalawang kakayahang ito, hindi na nalilimitahan ang 3D generation sa iisang paraan lamang.

03 CHALLENGE

May mga bagay na pinakamainam buuin gamit ang code. Mas mahusay namang direktang i-generate ang iba.

Bumalik tayo sa excavator.

Sa estruktura, napaka-regular nito.

Madaling mauunawaan ng GPT-6 Astra na ang isang excavator ay binubuo ng undercarriage, kaliwa at kanang track, katawan, cab, boom, stick, at bucket. Mauunawaan din nito kung paano dapat magkonekta ang mga bahaging iyon.

Ngunit kapag sinuri nang mas mabuti, nagbabago ang problema.

Hindi simpleng cube ang cab, at hindi tumpak na mairerepresenta ang body shell sa pagsasama ng ilang primitive. May tuloy-tuloy na kurbadong surface ang bucket, kumplikadong outline ang arm, at maraming industrial design detail ang mga track at undercarriage.

Tiyak na maaari pa ring ipagpatuloy ng GPT-6 Astra ang pag-approximate sa mga estrukturang ito gamit ang procedural code.

Ngunit habang nagiging mas kumplikado ang geometry, mas maraming code ang kailangang i-generate at baguhin, at mas maraming iteration ang kailangan.

Para sa isang agent, nangangahulugan ito ng patuloy na paggugol ng mas maraming token sa paglalarawan ng low-level geometry.

Kaya sinubukan namin ang ibang paraan.

Una munang “ inuunawa” ng GPT-6 Astra ang excavator.

Pagkatapos, ipinagkakatiwala nito sa V2Fun 2.0 ang hiwa-hiwalay na generation ng kumplikadong pangunahing bahagi, tulad ng cab, track, arm, at bucket.

Kapag kumpleto na ang generation, muling umaako ang GPT-6 Astra upang ayusin ang scale, rotation, at position, at buuin ang buong object.

Dito, eksaktong dala ng V2Fun ang kakayahang matagal na nitong hinuhubog:

Direktang pag-reconstruct ng kumplikadong 3D structure mula sa visual input, sa halip na ipalarawan sa isang language model ang mga surface nang di-tuwiran sa pamamagitan ng napakaraming code.

Maaaring magmukha itong simpleng pagsusulat ng mas kaunting Three.js, ngunit aktuwal nitong binabago ang buong computational approach.

Mas kawili-wili, hindi pinapalitan ng V2Fun ang Three.js.

Pagkatapos ng assembly, marami pa ring elementong ang GPT-6 Astra mismo ang bumubuo.

Halimbawa, ang hydraulic hose.

Ang hose ay mahalagang tubular structure na nagkokonekta ng ilang pangunahing punto, kaya mainam ito para sa procedural modeling.

Gayundin ang mga turnilyo, connecting shaft, at joystick.

May regular na dimension at simpleng estruktura ang mga object na ito, at madalas lumilitaw nang maramihan. Ang pagtawag nang hiwalay sa isang 3D foundation model para sa bawat isa ay magdaragdag lamang ng gastos at komplikasyon sa workflow.

Samakatuwid, ang huling excavator ay isang tunay na hybrid asset.

Ang V2Fun ang bumubuo ng kumplikadong pangunahing bahagi.

GPT-6 Astra + Three.js ang humahawak sa mga regular na detalye.

Pagkatapos, inaayos ng GPT-6 Astra ang dalawa bilang isang structured na 3D object.

Ito ang nagpapalakas sa approach:

Sa halip na pumili sa pagitan ng code generation at 3D foundation model, nagpapasya ang agent kung aling kakayahan ang pinakaangkop sa bawat bahagi.

04 MORE COMPLEX

Mas luminaw pa ang halaga ng V2Fun sa mga human character

Pangunahing hard-surface object pa rin ang excavator.

Ang mga human character at kumplikadong organic surface ang tunay na nagtutulak sa purely procedural approach sa hangganan nito.

Upang tuklasin ito, gumawa kami ng mas ambisyosong demo:

Hinihiling sa GPT-6 Astra na bumuo ng isang kumpleto sa sandata at baluting hari.

Bukod sa mismong katawan ng tao, kasama sa character na ito ang masalimuot na armor, ulo, espada, at kalasag.

Mas mahirap ipahayag sa pamamagitan ng mga rule ang human character kaysa mechanical equipment.

Kung ang isang mukha ay “mukhang tama” ay nakadepende sa higit pa sa paglalagay ng mga mata, ilong, at bibig sa halos tamang posisyon.

Ang hugis ng mukha, cheekbone, eye socket, tulay ng ilong, labi, at ang banayad at tuloy-tuloy na pagbabago ng curvature sa pagitan ng mga ito ay pawang nakaaapekto sa huling itsura.

Gayundin ang armor.

Bagama't hard-surface object ito, hindi ito simpleng engineering component. Ang relief work, ornamentation, tuloy-tuloy na surface, at stylized form ay pawang bahagi ng visual identity ng character.

Ito mismo ang uri ng object na mas angkop hawakan ng next-generation 3D foundation model ng V2Fun 2.0.

Sa demo na ito, inuunawa muna ng GPT-6 Astra ang character bilang kabuuan at hinahati ito sa ilang pangunahing bahagi: ulo, katawan at armor, espada, at kalasag.

Pagkatapos, hiwa-hiwalay na gino-generate ng V2Fun ang mga kumplikadong component na ito.

Ang GPT-6 Astra ang humahawak sa susunod:

Tama ba ang scale ng ulo, at paano ito dapat ikonekta sa katawan? Saan dapat ilagay ang espada at kalasag? Magkakatugma ba ang mga proportion ng mga bahagi? Aling mga model ang nangangailangan ng polygon reduction? At paano dapat ayusin ang lahat bilang isang 3D asset na maaaring i-edit at gamitin pa?

Sa ibang salita:

Tinutugunan ng V2Fun ang “kung paano mabilis at de-kalidad na i-generate ang kumplikadong geometry.”

Tinutugunan naman ng GPT-6 Astra ang “kung paano gawing kumpletong object ang geometry na iyon.”

Bakit kayang hawakan ng V2Fun ang ganitong layer ng kumplikadong geometry?

Higit pa sa dahil “isa rin itong image-to-3D model” ang dahilan.

Nakatuon ang pangunahing research and development ng Vertex Lab sa mga nakaraang gawain sa dalawang pundamental na tanong:

Paano mas tumpak na ire-represent ang geometry, at paano mapananatiling consistent ang high-resolution texture sa mga 3D surface.

Sa geometry, patuloy na pinipino ng team ang 3D representation at generation architecture nito, na layuning bawasan ang hindi episyenteng geometric representation at ituon ang kapasidad ng model sa high-curvature area, manipis na structure, at kumplikadong region.

Sa texture naman, nakatuon ang pansin sa pagtugon sa misalignment, tearing, at pagkawala ng detalye na karaniwang nangyayari sa high-resolution, multiview generation.

Ito rin ang pundasyon ng kakayahan ng V2Fun 2.0 na maghatid ng de-kalidad na texture sa resolution na hanggang 8K.

Para sa isang agent, napakahalaga ng mga ganitong kakayahan.

Tinatawag nito ang isang specialized model na gumagawa ng aktuwal na 3D asset, sa halip na isang visual generation tool na lumilikha lamang ng isang bagay na “mukhang 3D.”

Kailangan pa ring buuin, bawasan ang polygon count, at baguhin ng GPT-6 Astra ang mga generated asset, at maaari itong mapunta sa animation, gaming, 3D printing, o iba pang 3D workflow.

Ito ang product challenge na sinisikap lutasin ng V2Fun:

Tinitiyak na higit pa sa isang minsanang resulta ang ginagawa ng AI: isang 3D asset na tunay na maaaring patuloy na pagtrabahuhan ng mga tao.

05 EFFICIENCY

Bukod sa mas mataas na quality, may isa pang pagbabago: mga token

May isa pang direktang pakinabang ang workflow na ito:

Token efficiency.

Kapag gumagamit ang GPT-6 Astra ng Three.js upang ilarawan ang isang simpleng estruktura, napakaepisiyente nitong gumagamit ng token.

Napakakaunting code ang kailangan para sa isang cylinder, hydraulic hose, o ilang turnilyo.

Ngunit kapag ginamit ang parehong paraan upang i-approximate ang mukha ng tao, tupi ng tela, o napakakumplikadong industrial surface, mabilis na nadaragdagan ang dami ng geometry code na kailangang i-generate at baguhin.

Malalaking bilang ng token ang nauubos sa mga tanong tulad ng:

“Paano gagawing mas tumpak nang kaunti ang surface na ito?”

“Paano pa dapat ayusin ang outline na ito?”

“Gaano karaming geometric detail ang dapat idagdag dito?”

Kapag direktang ipinagkatiwala sa V2Fun ang mga kumplikadong bahagi, napipiga ang mga low-level process na ito sa isang tawag sa specialized model.

Maaaring ituon ng GPT-6 Astra ang mas marami nitong reasoning resource sa mga desisyong tunay na nangangailangan nito:

Paano hahatiin ang object;

Aling mga bahagi ang dapat i-generate nang hiwalay;

Paano nauugnay ang mga bahagi sa isa't isa sa espasyo;

Paano bubuuin ang huling object;

Saan kailangan ng karagdagang pagbabago.

Ito ang dahilan kung bakit higit pa sa “mas magagandang model” ang iniaalok ng V2Fun 2.0.

May potensyal din itong bawasan ang konsumo ng token at kabuuang oras ng modeling ng GPT-6 Astra para sa mga kumplikadong 3D task.

Maaaring dati ay ganito ang workflow:

Unawain → Sumulat ng geometry code → Baguhin → Sumulat ng higit pang geometry code → Baguhin muli

Ngayon ay nagiging:

Unawain → Hatiin sa mga bahagi → I-generate nang sabay-sabay → Buuin → Magdagdag ng mga lokal na detalye

Kapag sabay-sabay na maaaring i-generate ang maraming kumplikadong component, lalo pang lumalaki ang pakinabang sa efficiency.

06 CLOSING

Mula sa pagbuo ng model tungo sa pagiging pangunahing 3D capability para sa mga agent

Sa nakalipas na ilang taon, ang sentral na tanong sa AI 3D ay:

Paano tayo makagagawa ng mas mahusay na model?

Ngunit habang nagkakaroon ang mga model tulad ng GPT-6 Astra ng mas malakas na multimodal understanding, coding, at agent capability, nagbabago ang tanong na iyon.

Sa hinaharap, maaaring hindi na kailangang gumamit ang AI ng iisang technique para sa bawat 3D task.

Maaaring direktang i-code ang mga simpleng estruktura.

Maaaring ipagkatiwala sa V2Fun ang mga kumplikadong surface.

Maaaring gamitin muli ang mga kasalukuyang asset kung kinakailangan.

Pagkatapos, maaaring ibalik sa agent ang polygon reduction, assembly, at structural adjustment.

Nakaayon ito sa paglipat ng industriya ng 3D generation mula sa mga one-off generation tool tungo sa agent-driven productivity. Inilalarawan din ng reference article ang parehong trend: ang 3D generation ay lumilipat mula sa yugtong kahawig ng mga unang chatbot tungo sa yugto ng productivity na pinapagana ng mga agent.

Para sa Vertex Lab, naaayon ang direksiyong ito sa pangmatagalang technical vision nito.

Mula pa sa simula, hindi kailanman itinuring ng kumpanya ang V2Fun bilang isang “image-to-3D website” lamang.

Mula sa pagpapadali ng 3D creation sa mobile, hanggang sa pagpapagana ng propesyonal na asset production sa web, hanggang sa 3D model, animation, motion, at sa pangmatagalang paghahangad ng spatial intelligence at world model, palaging layunin ng Vertex Lab na bumuo ng infrastructure para sa 3D content generation at spatial intelligence.

Maaaring magbukas ang pag-usbong ng mga agent ng bagong landas patungo sa layuning iyon.

Sa hinaharap, maaaring hindi na kailangang malaman ng mga user kung aling model ang tatawagin, anong code ang isusulat, o aling modeling approach ang pipiliin.

Ang kailangan lamang nilang sabihin ay:

“Gawin itong 3D.”

Mauunawaan ng GPT-6 Astra ang kahilingan at magpapasya kung paano ito isasagawa.

Nilalayon ng V2Fun 2.0 na maging specialized capability na maaasahan nito para sa kumplikadong three-dimensional na mundo.

Ang GPT-6 Astra ang humahawak sa pag-unawa, pagpaplano, at pagbuo.

Ginagawang aktuwal na asset ng V2Fun ang kumplikadong three-dimensional na ideya.

GPT-6 Astra × V2Fun: Mula sa code generation tungo sa model collaboration.