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

GPT-6 Astra × 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. Una nitong tutukuyin ang mga bahagi ng makina: ang cabin, mga track, undercarriage, boom, stick, bucket, at iba pa.

Isa-isang ipapadala ang mga pangunahing bahaging ito sa isang espesyal na 3D generation model at ibabalik bilang magkakahiwalay na asset sa loob ng ilang sampung segundo.

Pagkatapos, muling aako ang GPT-6 Astra.

Tutukuyin nito ang scale at mga spatial relationship ng bawat bahagi, ilalagay ang mga track sa magkabilang panig ng undercarriage, ikakabit ang boom sa katawan, at pagkatapos ay ikokonekta ang stick at bucket nang magkakasunod. Kapag kumpleto na ang pangunahing estruktura, gagamit ito ng Three.js upang magdagdag ng mga hydraulic hose, turnilyo, pivot shaft, at maging ang mga control joystick sa loob ng cabin.

Sa huli, lilitaw sa 3D scene ang isang kumpleto, organisado, 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:

Pinangangasiwaan ng GPT-6 Astra ang 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 sinasaliksik ng ​V2Fun​, isang produkto ng Vertex Lab.

Nasa likod nito ang mas malawak na pagbabago:

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

01

PAGBABAGO

Nakabubuo na ng 3D ang GPT-6 Astra. Ano ang susunod?

Isa sa mahahalagang pagbabagong hatid ng GPT-6 Astra ay ang tunay na pagpasok ng malalaking 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 mas mahusay na multimodal understanding, spatial reasoning, at coding, nauunawaan ng GPT-6 Astra ang estruktura ng isang 3D object at aktuwal itong nabubuo sa pamamagitan ng mga procedural method gaya 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 unti-unting bubuuin ang kaukulang geometry.

Ang mga object na ito ay partikular na angkop sa procedural modeling dahil karaniwang mayroon silang malinaw na mathematical relationship at paulit-ulit na estruktura. Maaaring katawanin ang isang support column gamit ang isang basic geometric shape, maaaring ulitin 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 na 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 na itong magkaroon ng kakayahang mas malapit sa isang 3D engineer:

Pag-unawa kung ano ang bumubuo sa isang object, at pagbuo nito.

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

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

Maaaring hindi ito isang pagpipiliang alinman sa dalawa.

At dito mismo maaaring pumasok ang V2Fun sa workflow.

02

BAKIT 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 pananaliksik at development ng Vertex Lab sa mga AI 3D foundation model.

Itinatag noong 2025, patuloy na nakatuon ang Vertex Lab sa 3D generation, spatial intelligence, at, sa mas mahabang panahon, imprastraktura para sa mga 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 produksyon ng 3D content.

Sa pinakapuso nito, palagi nitong tinutugunan ang parehong tanong:

Paano magiging kapaki-pakinabang na 3D asset ang isang kumplikadong three-dimensional object, nang mas kaunti ang pagsisikap at mas maikli ang oras?

Mas palalawakin pa ng paparating na V2Fun 2.0 ang mga kakayahang ito.

Itatampok sa bagong bersyon ang pinakabagong henerasyon ng 3D foundation model nito at susuportahan ang texture generation sa mga resolution na hanggang 8K. Magtutuon ito sa pagpapahusay ng kalidad ng generation para sa kumplikadong geometry, mga tauhang pantao, 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.

Likas na magkakatuwang ang mga problemang mahusay nilang lutasin.

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 talaga ang dapat na hitsura ng kumplikadong bahaging ito?”

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

03

HAMON

May mga bagay na pinakamainam buuin gamit ang code. Ang iba naman ay mas mabuting direktang i-generate.

Balikan natin ang excavator na iyon.

Sa estruktura, lubos itong regular.

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

Ngunit kapag mas sinuri, nagbabago ang problema.

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

Tiyak na maaaring ipagpatuloy ng GPT-6 Astra ang pag-aapproximate 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 kinakailangan.

Para sa isang agent, nangangahulugan ito ng paglalaan ng parami nang paraming token sa paglalarawan ng low-level geometry.

Kaya sinubukan namin ang ibang paraan.

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

Pagkatapos, ipagkakatiwala nito sa V2Fun 2.0 ang hiwalay na generation ng mga kumplikadong pangunahing bahagi gaya ng cabin, track, arm, at bucket.

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

Dito, hatid ng V2Fun ang eksaktong kakayahang matagal na nitong binubuo:

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

Maaaring mukhang simpleng mas kaunting Three.js lang ang pagsusulat nito, ngunit sa aktuwal ay binabago nito ang buong computational approach.

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

Pagkatapos ng assembly, marami pa ring elementong sariling gina-generate ang GPT-6 Astra.

Halimbawa, ang mga hydraulic hose.

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

Ganoon din 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 aktuwal na magdaragdag ng gastos at kumplikado sa workflow.

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

Ang V2Fun ang nagge-generate ng kumplikadong pangunahing bahagi.

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

Pagkatapos, inaayos ng GPT-6 Astra ang dalawang ito bilang iisang organisado at structured na 3D object.

Ito ang nagpapangyari sa approach na ito:

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

04

MAS KUMPLIKADO

Sa mga tauhang pantao, mas lalong nagiging malinaw ang halaga ng V2Fun

Pangunahing hard-surface object pa rin ang excavator.

Ang mga tauhang pantao at kumplikadong organic surface ang tunay na nagtutulak sa purong procedural approach hanggang sa mga limitasyon nito.

Upang tuklasin ito, gumawa kami ng mas ambisyosong demo:

Hinihiling sa GPT-6 Astra na bumuo ng isang harang at nakabaluting hari.

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

Mas mahirap ilarawan sa pamamagitan ng mga rule ang mga tauhang pantao kaysa sa mechanical equipment.

Kung ang mukha ay “mukhang tama” ay nakadepende sa higit pa sa paglalagay ng mga mata, ilong, at bibig sa humigit-kumulang 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 anyo.

Totoo rin ito sa baluti.

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

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

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

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

Ang GPT-6 Astra ang humahawak sa mga susunod na hakbang:

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

Sa madaling salita:

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

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

Bakit kaya ng V2Fun na hawakan ang ganitong antas ng kumplikadong geometry?

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

Nakatuon ang pangunahing pananaliksik at development ng Vertex Lab sa mga nagdaang gawain sa dalawang pundamental na tanong:

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

Sa panig ng geometry, patuloy na pinipino ng team ang mga 3D representation at generation architecture nito, na naglalayong bawasan ang mga hindi episyenteng geometric representation at ituon ang kapasidad ng modelo sa mga high-curvature area, manipis na structure, at kumplikadong rehiyon.

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

Pinatitibay rin nito ang kakayahan ng V2Fun 2.0 na maghatid ng de-kalidad na texture sa mga resolution na hanggang 8K.

Para sa isang agent, napakahalaga ng mga ganitong kakayahan.

Tinatawag nito ang isang espesyal na modelo 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 i-assemble, bawasan ang polygon count, at baguhin ng GPT-6 Astra ang mga na-generate na asset, at maaari silang mapunta sa animation, gaming, 3D printing, o iba pang 3D workflow.

Ito ang product challenge na nilulutas ng V2Fun:

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

05

EPISYENSIYA

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

May isa pang direktang pakinabang ang workflow na ito:

Episyensiya sa paggamit ng token.

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

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

Ngunit kapag inilapat ang parehong paraan sa pag-aapproximate ng 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 dami ng token ang nauubos sa mga tanong gaya 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 ipinagkakatiwala sa V2Fun ang mga kumplikadong bahagi, ang mga low-level process na ito ay napagsasama sa isang tawag sa isang espesyal na modelo.

Maaaring ilaan 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 nagkakaugnay ang mga bahagi sa espasyo;

Paano bubuuin ang huling object;

Saan kailangan ng karagdagang pagbabago.

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

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

Maaaring ganito ang dating 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 → I-assemble → Magdagdag ng mga lokal na detalye

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

06

PAGTATAPOS

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

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

Paano tayo makagagawa ng mas mahusay na modelo?

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

Sa hinaharap, maaaring hindi 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 mga structural adjustment.

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

Para sa Vertex Lab, tugma ang direksiyong ito sa pangmatagalang teknikal na pananaw nito.

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

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

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

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

Maaaring kailangan lamang nilang sabihin:

“Gawin itong 3D.”

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

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

Pinangangasiwaan ng GPT-6 Astra ang pag-unawa, pagpaplano, at pagbuo.

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

GPT-6 Astra × V2Fun: Mula sa code generation tungo sa pakikipagtulungan ng mga modelo.

06

PAGTATAPOS

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

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

Paano tayo makagagawa ng mas mahusay na modelo?

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

Sa hinaharap, maaaring hindi 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 mga structural adjustment.

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

Para sa Vertex Lab, tugma ang direksiyong ito sa pangmatagalang teknikal na pananaw nito.

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

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

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

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

Maaaring kailangan lamang nilang sabihin:

“Gawin itong 3D.”

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

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

Pinangangasiwaan ng GPT-6 Astra ang pag-unawa, pagpaplano, at pagbuo.

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

GPT-6 Astra × V2Fun: Mula sa code generation tungo sa pakikipagtulungan ng mga modelo.