搜索
近年来，3D 高斯泼溅（3D Gaussian Splatting, 3DGS）凭借其卓越的新视角合成能力和实时的渲染效率，极大地推动了神经渲染技术的发展。然而，当研究者试图直接从 3DGS 中提取精确的 3D 几何表面（Mesh 等）时，往往会面临严重的几何失真问题。
字节跳动 Seed 团队正式发布 Seed3D 2.0——一张图片就能生成高精度 3D 模型，几何和材质两大核心指标均达到 SOTA。60 位专业评测者盲评，人类偏好胜率最高达 89.9%，还能直接输出带关节信息的仿真级资产。推文近 900 赞、5.6 万次浏览迅速刷屏，但连发帖人自己都在评论区承认：「Meshy 和 Tripo 现在还是更好用。」
而我们之所以注意到这种玩法，是因为最近一则醒目的消息：3D 打印界扛把子拓竹的模型平台 MakerWorld 迎来了一位新盟友 —— 胡渊鸣创立的 Meshy AI。提起胡渊鸣，机器之心的读者应该都不陌生。2019 年，我们就开始报道他的计算机图形库「太極」。2020 年，他因用 99 行代码复刻《冰雪奇缘》积雪物理特效被大众所熟知，登顶社交媒体热搜。如今，多年过去，他已经在新的赛道领跑。
作者｜周一笑 邮箱｜zhouyixiao@pingwest.com 2026 年 3 月 17 日，拓竹科技把 Meshy 6 接进了 MakerWorld 的 MakerLab。一张照片上传上去，两
当文字、图像、视频已经先后被生成式 AI 重写，3D 很可能就是下一站。
IDEA研究院张磊团队与香港科技大学谭平团队联合推出SceneMaker框架，有望攻克这一问题。 它以视启未来的万物检测模型DINO-X与光影焕像的万物3D生成模型Triverse为基础，实现了从任意开放世界图像（室内/室外/合成图等）到带Mesh的3D场景的完整重建。
本次发布的核心——AIMesh，正是这场架构创新的集大成者。 它被定义为面向「AI工厂」的数据与内存网，核心思路是用一套「三网合一」的柔性网络，替代传统僵化的存储架构。
让静态3D模型「动起来」一直是图形学界的难题：物理模拟太慢，生成模型又不讲「物理基本法」。近日，北京大学团队提出DragMesh，通过「语义-几何解耦」范式与双四元数VAE，成功将核心生成模块的算力消耗降低至SOTA模型的1/10，同时将运动轴预测误差降低了10倍。
生成式 AI 正在重写 3D 内容的生产流程：从“DCC 工具 + 外包”的线性供给，演进到“资产规模化生成 + 管线可用”的指数供给模式。过去五年，技术范式经历了从实时体积渲染，NeRF，到Score Distillation，3D扩散的快速迭代；需求侧则由游戏与影视，向3D 打印、电商样机、数字人、教育培训、以及AR/VR等长尾场景外溢。
在三维数字内容生产领域，三角形网格作为核心的几何表示形式，其质量直接影响虚拟资产在影视、游戏和工业设计等应用场景中的表现与效率。