GPT-6 Astra 3D 建模（五） Agent 场景建模
既然 Astra 并不擅长复杂物体建模，那么一个更加自然的思路就是：将图生 3D 生成模型（例如：Trellis 2，hunyuan 3D，Meshy 等）作为一项 Skill 交给 Astra。
以 Astra 加持下的 Codex 作为 Agent，让 Agent 自己识别难以建模的困难物体，将空间理解、Blender 3D 建模、图生 3D 生成模型等能力自动串成一套制作流程：
- Agent 决定哪些物体使用 Blender 建模（如桌子、水杯），哪些交给专门的生成模型（如手办）；
- Agent 调用 imagegen 为图生 3D 模型准备合适的输入参考图（涉及抠图、遮挡补全、视角矫正、超分辨率等）；
- 最后，Agent 需要将不同路径建模的物体组织整合到一个场景中。
以下几个场景示例中全程我仅输入文字（包括场景图片描述以及建模任务）：
- 文字描述场景需求。由最新的 GPT Image 2.5 模型为每个场景生成 1 张图片。
-
以上图片作为 3D 场景建模的参考，由 AI 自己组织场景建模流程。
特别地，需要合理调用图生 3D 生成模型，每个场景分别使用两条路线对照：
- 路线 A：全部基于 Blender 完成建模（允许使用图像生成制作纹理），作为对比基线。
- 路线 B：在 A 的基础上，可引入图生 3D，自主完成物体选择、物体建模和场景整合。
办公桌：手办
路线 B 建模结果：
路线 A 的手办结构虽然完整，但建模相当生硬。
工作台：玩具车
路线 B 建模结果：
路线 A 建模效果其实也相当不错，但路线 B 在复杂的车身轮廓、印花和精细结构上仍然更好。
这个例子还有一处有趣的细节，蓝色零件箱内包含了168个独立的五金件模型（132颗螺栓、18个螺母和18个垫圈）。
更多场景
厨房餐桌
建模结果：
路线 A 的结果也具有非常真实的机械细节，当然路线 B 的造型更加忠实于原图。
客厅茶几
路线 B 生成结果：
两种路线对比：
学习文具
建模结果：
意料之中，两种路线对于手办的建模差距仍然明显：
