GPT-6 Astra x V2Fun - Từ tạo mã đến hợp tác mô hình

Hãy hình dung một quy trình lập mô hình 3D như thế này.

Bạn cung cấp cho GPT-6 Astra một hình ảnh tham chiếu của một chiếc máy xúc. Trước tiên, nó xác định các bộ phận của máy: cabin, bánh xích, khung gầm, cần nâng, cần gầu, gầu xúc và nhiều bộ phận khác.

Các bộ phận chính này sau đó được gửi riêng lẻ đến một mô hình tạo 3D chuyên dụng và được trả về dưới dạng các tài sản riêng biệt chỉ trong vài chục giây.

Tiếp theo, GPT-6 Astra tiếp quản.

Nó xác định tỷ lệ và mối quan hệ không gian của từng bộ phận, đặt bánh xích ở hai bên khung gầm, gắn cần nâng vào thân máy, rồi lần lượt kết nối cần gầu và gầu xúc. Sau khi hoàn tất cấu trúc chính, nó sử dụng Three.js để thêm các ống thủy lực, ốc vít, trục bản lề, thậm chí cả cần điều khiển bên trong cabin.

Cuối cùng, một chiếc máy xúc hoàn chỉnh, có cấu trúc và có thể chỉnh sửa xuất hiện trong cảnh 3D.

Đây không chỉ đơn thuần là tạo 3D từ hình ảnh, cũng không chỉ là tạo mã.

Đó là sự kết hợp tự nhiên hơn giữa hai năng lực AI:

GPT-6 Astra đảm nhiệm việc hiểu, lập kế hoạch và xây dựng, trong khi mô hình nền tảng 3D chuyên dụng xử lý hình học phức tạp.

Đây là một quy trình mới mà V2Fun, sản phẩm của Vertex Lab, gần đây đang khám phá.

Đằng sau đó là một sự chuyển dịch rộng hơn:

Các tác nhân 3D đang chuyển từ “tự tạo ra mọi thứ” sang “biết nên gọi mô hình nào và khi nào.”

01 BƯỚC NGOẶT

GPT-6 Astra đã có thể xây dựng trong không gian 3D. Tiếp theo sẽ là gì?

Một thay đổi quan trọng mà GPT-6 Astra mang lại là các mô hình ngôn ngữ lớn thực sự đang bước vào thế giới ba chiều.

Trước đây, chúng ta thường yêu cầu AI tạo ra một hình ảnh, video hoặc đoạn văn bản. Giờ đây, với năng lực hiểu đa phương thức, suy luận không gian và lập trình ngày càng mạnh, GPT-6 Astra có thể hiểu cấu trúc của một vật thể 3D, rồi thực sự xây dựng nó bằng các phương pháp thủ tục như Three.js.

Hãy lấy một dây chuyền sản xuất công nghiệp làm ví dụ.

GPT-6 Astra có thể xác định các băng tải, con lăn, khung đỡ, động cơ và trạm làm việc, sau đó từng bước tạo ra hình học tương ứng.

Những vật thể này đặc biệt phù hợp với mô hình hóa thủ tục vì chúng thường có các mối quan hệ toán học rõ ràng và cấu trúc lặp lại. Một cột đỡ có thể được biểu diễn bằng một hình học cơ bản, một con lăn có thể được nhân bản hàng chục lần, còn chiều dài và vị trí của băng tải có thể được điều khiển trực tiếp thông qua các tham số.

Quan trọng hơn, kết quả không phải là một khối lưới hoàn toàn không thể nhìn thấu.

Mỗi bộ phận trong dây chuyền sản xuất vẫn là một đối tượng riêng biệt có thể được di chuyển, nhân bản, xóa hoặc chỉnh sửa.

Từ góc nhìn này, GPT-6 Astra đang làm nhiều hơn việc “tạo 3D”. Nó bắt đầu phát triển năng lực gần với một kỹ sư 3D:

Hiểu một vật thể được tạo thành từ gì và xây dựng nó.

Nhưng khi các vật thể trở nên phức tạp hơn, một câu hỏi mới xuất hiện.

Nếu vật thể đó không phải là dây chuyền sản xuất mà là khuôn mặt người, sinh vật, quần áo, tác phẩm điêu khắc, hay thậm chí một chiếc máy xúc với các bề mặt công nghiệp phức tạp thì sao? GPT-6 Astra có còn nên viết toàn bộ hình học bằng mã không?

Câu trả lời có thể không phải là chọn một trong hai.

Và đây chính là lúc V2Fun có thể tham gia vào quy trình.

02 TẠI SAO LÀ V2FUN

Tại sao là V2Fun?

V2Fun không phải là một API 3D được thêm vào một cách nhanh chóng chỉ để phục vụ bản demo này.

Đây là nền tảng sản phẩm phục vụ hoạt động nghiên cứu và phát triển lâu dài của Vertex Lab trong lĩnh vực mô hình nền tảng 3D AI.

Được thành lập vào năm 2025, Vertex Lab luôn tập trung vào việc tạo 3D, trí tuệ không gian và về lâu dài là cơ sở hạ tầng cho các mô hình thế giới.

V2Fun từng ra mắt tại HDC 2026 với tư cách là ứng dụng bản địa AI đầu tiên của HarmonyOS được hỗ trợ bởi mô hình nền tảng 3D. Ứng dụng di động và không gian làm việc trên web của nền tảng bao phủ toàn bộ quy trình, từ sáng tạo hằng ngày đến sản xuất nội dung 3D chuyên nghiệp.

Về cốt lõi, nền tảng này luôn hướng đến cùng một câu hỏi:

Làm thế nào để biến một vật thể ba chiều phức tạp thành một tài sản 3D có thể sử dụng, với ít công sức hơn và trong thời gian ngắn hơn?

V2Fun 2.0 sắp ra mắt sẽ đưa những năng lực này tiến xa hơn.

Phiên bản mới sẽ tích hợp thế hệ mới nhất của mô hình nền tảng 3D và hỗ trợ tạo kết cấu với độ phân giải lên đến 8K. Phiên bản này tập trung cải thiện chất lượng tạo hình cho hình học phức tạp, nhân vật người, sinh vật, quần áo, tác phẩm điêu khắc và các bề mặt bất quy tắc khác.

Đó là lý do sự kết hợp giữa V2Fun và GPT-6 Astra không chỉ là một lần hợp tác sản phẩm tình cờ.

Các vấn đề mà hai bên giỏi giải quyết vốn có tính bổ trợ cho nhau.

GPT-6 Astra nổi trội trong việc hiểu, lập kế hoạch, xử lý các mối quan hệ không gian, lập trình và điều phối tác nhân.

V2Fun nổi trội trong việc trực tiếp tạo ra hình học 3D phức tạp và các bề mặt chất lượng cao.

Một bên giỏi trả lời:

“Vật thể này nên được xây dựng như thế nào?”

Bên kia giỏi trả lời:

“Thành phần phức tạp này thực sự nên trông như thế nào?”

Khi hai năng lực này kết hợp, việc tạo 3D không còn bị giới hạn trong một phương pháp duy nhất.

03 THÁCH THỨC

Có những thứ phù hợp nhất với việc xây dựng bằng mã. Những thứ khác nên được tạo trực tiếp.

Hãy quay lại với chiếc máy xúc.

Về mặt cấu trúc, nó rất quy củ.

GPT-6 Astra có thể dễ dàng hiểu rằng một chiếc máy xúc gồm khung gầm, bánh xích trái và phải, thân máy, cabin, cần nâng, cần gầu và gầu xúc. Nó cũng có thể hiểu các bộ phận đó nên kết nối với nhau như thế nào.

Nhưng nếu quan sát kỹ hơn, vấn đề sẽ thay đổi.

Cabin không phải là một khối lập phương đơn giản, còn vỏ thân máy không thể được biểu diễn chính xác bằng cách kết hợp một vài hình nguyên thủy. Gầu xúc có các bề mặt cong liên tục, cần máy có đường viền phức tạp, còn bánh xích và khung gầm chứa vô số chi tiết thiết kế công nghiệp.

GPT-6 Astra chắc chắn có thể tiếp tục xấp xỉ các cấu trúc này bằng mã thủ tục.

Nhưng hình học càng phức tạp thì càng phải tạo và sửa nhiều mã hơn, đồng thời cần nhiều vòng lặp hơn.

Đối với một tác nhân, điều này đồng nghĩa với việc ngày càng tốn nhiều token hơn để mô tả hình học cấp thấp.

Vì vậy, chúng tôi đã thử một cách tiếp cận khác.

Trước tiên, GPT-6 Astra “hiểu” chiếc máy xúc.

Sau đó, nó giao các bộ phận chính phức tạp như cabin, bánh xích, cần máy và gầu xúc cho V2Fun 2.0 tạo riêng.

Sau khi hoàn tất việc tạo, GPT-6 Astra lại tiếp quản để điều chỉnh tỷ lệ, góc xoay và vị trí, rồi lắp ráp toàn bộ vật thể.

Ở đây, V2Fun mang đến chính năng lực mà nền tảng đã phát triển:

Tái dựng trực tiếp các cấu trúc 3D phức tạp từ dữ liệu hình ảnh, thay vì để mô hình ngôn ngữ mô tả gián tiếp các bề mặt thông qua một lượng lớn mã.

Điều này có thể trông như chỉ đơn giản là viết ít Three.js hơn, nhưng thực tế nó thay đổi toàn bộ phương pháp tính toán.

Điều thú vị hơn là V2Fun không thay thế Three.js.

Sau khi lắp ráp, GPT-6 Astra vẫn tự tạo nhiều thành phần.

Ví dụ như các ống thủy lực.

Một ống về cơ bản là một cấu trúc dạng ống nối một vài điểm then chốt, vì vậy nó rất phù hợp với mô hình hóa thủ tục.

Điều tương tự cũng áp dụng cho ốc vít, trục nối và cần điều khiển.

Những vật thể này có kích thước đều đặn, cấu trúc đơn giản và thường xuất hiện với số lượng lớn. Việc gọi riêng một mô hình nền tảng 3D cho từng vật thể thực ra sẽ làm tăng chi phí và độ phức tạp của quy trình.

Do đó, chiếc máy xúc cuối cùng là một tài sản kết hợp thực sự.

V2Fun tạo ra các bộ phận chính phức tạp.

GPT-6 Astra + Three.js xử lý các chi tiết có tính quy luật.

Sau đó, GPT-6 Astra tổ chức cả hai thành một vật thể 3D duy nhất, có cấu trúc.

Đây là điều khiến cách tiếp cận này trở nên thuyết phục:

Thay vì phải lựa chọn giữa việc tạo mã và mô hình nền tảng 3D, tác nhân sẽ quyết định năng lực nào phù hợp nhất với từng bộ phận.

04 PHỨC TẠP HƠN

Với nhân vật người, giá trị của V2Fun càng trở nên rõ ràng

Chiếc máy xúc vẫn chủ yếu là một vật thể có bề mặt cứng.

Nhân vật người và các bề mặt hữu cơ phức tạp mới thực sự đẩy phương pháp hoàn toàn thủ tục đến giới hạn.

Để khám phá điều này, chúng tôi đã tạo một bản demo tham vọng hơn:

Yêu cầu GPT-6 Astra xây dựng một vị vua được trang bị vũ khí và áo giáp đầy đủ.

Ngoài bản thân cơ thể người, nhân vật này còn có áo giáp tinh xảo, đầu, kiếm và khiên.

Nhân vật người khó được biểu đạt bằng quy tắc hơn nhiều so với thiết bị cơ khí.

Việc một khuôn mặt “trông đúng” hay không phụ thuộc vào nhiều yếu tố hơn việc đặt mắt, mũi và miệng vào những vị trí tương đối chính xác.

Hình dạng khuôn mặt, gò má, hốc mắt, sống mũi, môi và những thay đổi tinh tế, liên tục về độ cong giữa chúng đều góp phần tạo nên diện mạo cuối cùng.

Áo giáp cũng tương tự.

Dù là một vật thể có bề mặt cứng, nó không phải là một bộ phận kỹ thuật đơn giản. Các chi tiết phù điêu, hoa văn trang trí, bề mặt liên tục và hình dáng cách điệu đều góp phần tạo nên nhận diện thị giác của nhân vật.

Đây chính xác là những loại vật thể mà mô hình nền tảng 3D thế hệ mới của V2Fun 2.0 có khả năng xử lý tốt hơn.

Trong bản demo này, GPT-6 Astra trước tiên hiểu nhân vật như một tổng thể và chia thành một số bộ phận chính: đầu, cơ thể và áo giáp, kiếm và khiên.

Sau đó, V2Fun tạo riêng các thành phần phức tạp này.

GPT-6 Astra xử lý những việc tiếp theo:

Đầu đã được điều chỉnh đúng tỷ lệ chưa và nên kết nối với cơ thể như thế nào? Kiếm và khiên nên được đặt ở đâu? Tỷ lệ giữa các bộ phận có nhất quán không? Mô hình nào cần được giảm số đa giác? Và nên tổ chức mọi thứ thành một tài sản 3D có thể chỉnh sửa và tiếp tục sử dụng như thế nào?

Nói cách khác:

V2Fun giải quyết “cách tạo hình học phức tạp nhanh chóng và với chất lượng cao.”

GPT-6 Astra giải quyết “cách biến hình học đó thành một vật thể hoàn chỉnh.”

Tại sao V2Fun có thể xử lý lớp hình học phức tạp này?

Lý do không chỉ nằm ở việc “đây cũng là một mô hình chuyển hình ảnh thành 3D”.

Trong các công trình gần đây, hoạt động nghiên cứu và phát triển cốt lõi của Vertex Lab tập trung vào hai câu hỏi nền tảng:

Làm thế nào để biểu diễn hình học chính xác hơn và duy trì tính nhất quán của kết cấu độ phân giải cao trên các bề mặt 3D?

Về hình học, nhóm tiếp tục cải tiến các phương pháp biểu diễn 3D và kiến trúc tạo hình, nhằm giảm các biểu diễn hình học kém hiệu quả và tập trung năng lực mô hình vào những vùng có độ cong cao, cấu trúc mảnh và khu vực phức tạp.

Về kết cấu, trọng tâm là giải quyết tình trạng lệch, rách và mất chi tiết thường xảy ra khi tạo hình đa góc nhìn ở độ phân giải cao.

Đây cũng là nền tảng cho khả năng cung cấp kết cấu chất lượng cao ở độ phân giải lên đến 8K của V2Fun 2.0.

Đối với một tác nhân, những năng lực như vậy có ý nghĩa rất lớn.

Nó đang gọi một mô hình chuyên dụng tạo ra các tài sản 3D thực sự, thay vì một công cụ tạo hình ảnh chỉ tạo ra thứ gì đó “trông giống 3D”.

Các tài sản được tạo vẫn cần được GPT-6 Astra lắp ráp, giảm số đa giác và chỉnh sửa, đồng thời cuối cùng có thể đi vào hoạt ảnh, trò chơi, in 3D hoặc các quy trình 3D khác.

Đây là thách thức sản phẩm mà V2Fun đang nỗ lực giải quyết:

Đảm bảo AI tạo ra nhiều hơn một kết quả dùng một lần: một tài sản 3D mà mọi người thực sự có thể tiếp tục làm việc cùng.

05 HIỆU QUẢ

Ngoài chất lượng cao hơn, còn có một thay đổi khác: token

Quy trình này còn mang lại một lợi ích rất trực tiếp khác:

Hiệu quả token.

Khi GPT-6 Astra sử dụng Three.js để mô tả một cấu trúc đơn giản, nó sử dụng token rất hiệu quả.

Một hình trụ, một ống thủy lực hoặc vài chiếc ốc vít chỉ cần rất ít mã.

Nhưng khi áp dụng cùng phương pháp để xấp xỉ khuôn mặt người, các nếp gấp vải hoặc những bề mặt công nghiệp cực kỳ phức tạp, lượng mã hình học cần tạo và sửa sẽ nhanh chóng tăng lên.

Khi đó, một lượng lớn token được dành cho những câu hỏi như:

“Làm thế nào để bề mặt này chính xác hơn một chút?”

“Nên điều chỉnh đường viền này thêm như thế nào?”

“Nên thêm bao nhiêu chi tiết hình học ở đây?”

Khi các bộ phận phức tạp được giao trực tiếp cho V2Fun, những quy trình cấp thấp này được cô đọng thành một lần gọi đến mô hình chuyên dụng.

GPT-6 Astra có thể dành nhiều tài nguyên suy luận hơn cho những quyết định thực sự cần đến chúng:

Cách phân rã vật thể;

Bộ phận nào nên được tạo riêng;

Các bộ phận liên quan với nhau như thế nào trong không gian;

Cách lắp ráp vật thể cuối cùng;

Những nơi nào cần tiếp tục thay đổi.

Đó là lý do V2Fun 2.0 mang lại nhiều hơn những “mô hình đẹp hơn”.

Nó cũng có tiềm năng giảm cả mức tiêu thụ token và tổng thời gian mô hình hóa của GPT-6 Astra đối với các tác vụ 3D phức tạp.

Trước đây, quy trình có thể là:

Hiểu → Viết mã hình học → Sửa đổi → Viết thêm mã hình học → Sửa đổi lần nữa

Giờ đây, quy trình trở thành:

Hiểu → Chia thành các bộ phận → Tạo song song → Lắp ráp → Thêm chi tiết cục bộ

Khi nhiều thành phần phức tạp có thể được tạo đồng thời, lợi thế về hiệu quả này còn trở nên lớn hơn.

06 KẾT LUẬN

Từ việc tạo mô hình đến trở thành năng lực 3D cốt lõi cho các tác nhân

Trong vài năm qua, câu hỏi trung tâm của lĩnh vực AI 3D là:

Làm thế nào để tạo ra một mô hình tốt hơn?

Nhưng khi các mô hình như GPT-6 Astra có năng lực hiểu đa phương thức, lập trình và tác nhân mạnh hơn, câu hỏi đó đang thay đổi.

Trong tương lai, AI có thể không cần sử dụng một kỹ thuật duy nhất cho mọi tác vụ 3D.

Các cấu trúc đơn giản có thể được viết mã trực tiếp.

Các bề mặt phức tạp có thể được giao cho V2Fun.

Các tài sản hiện có có thể được tái sử dụng nguyên trạng.

Sau đó, việc giảm số đa giác, lắp ráp và điều chỉnh cấu trúc có thể được giao lại cho tác nhân.

Điều này phù hợp với sự chuyển dịch của ngành tạo 3D, từ các công cụ tạo một lần sang năng suất do tác nhân dẫn dắt. Bài viết tham chiếu mô tả cùng xu hướng này: việc tạo 3D đang chuyển từ một giai đoạn giống với các chatbot thời kỳ đầu sang giai đoạn năng suất được hỗ trợ bởi các tác nhân.

Đối với Vertex Lab, hướng đi này nhất quán với tầm nhìn kỹ thuật dài hạn của công ty.

Ngay từ đầu, công ty chưa bao giờ định nghĩa V2Fun chỉ là một “trang web chuyển hình ảnh thành 3D”.

Từ việc giúp việc sáng tạo 3D trở nên dễ tiếp cận hơn trên thiết bị di động, hỗ trợ sản xuất tài sản chuyên nghiệp trên web, đến các mô hình 3D, hoạt ảnh, chuyển động và mục tiêu dài hạn là trí tuệ không gian cùng các mô hình thế giới, Vertex Lab luôn hướng đến việc xây dựng cơ sở hạ tầng cho hoạt động tạo nội dung 3D và trí tuệ không gian.

Sự trỗi dậy của các tác nhân có thể mở ra một con đường mới để đạt được mục tiêu đó.

Trong tương lai, người dùng có thể không cần biết nên gọi mô hình nào, viết mã gì hay chọn phương pháp mô hình hóa nào.

Họ chỉ cần nói:

“Biến thứ này thành 3D.”

GPT-6 Astra sẽ hiểu yêu cầu và quyết định cách thực hiện.

V2Fun 2.0 hướng đến trở thành năng lực chuyên dụng mà GPT-6 Astra dựa vào để xử lý thế giới ba chiều phức tạp.

GPT-6 Astra đảm nhiệm việc hiểu, lập kế hoạch và xây dựng.

V2Fun biến những ý tưởng ba chiều phức tạp thành các tài sản thực tế.

GPT-6 Astra × V2Fun: Từ tạo mã đến hợp tác giữa các mô hình.