AI生图到3D建模：用Blender浏览器查看器打通多模态工作流

知名开发者 Simon Willison 最近分享了一个颇具趣味的实验：他用 GPT-6 Astra 结合 Blender，从一张 AI 生成的图片出发，最终得到一个可在浏览器中直接查看的 3D 模型。这个案例串联起了图像生成、编码智能体（coding agents）与三维建模三个环节，展示了当下多模态 AI 工具链的整合能力。

从法贝热彩蛋说起：AI生图的创意起点

实验的起点是一个有趣的创意。作为俄罗斯帝国"法贝热彩蛋"（Fabergé egg）的爱好者，Willison 一直想制作一些以流行文化为主题的新彩蛋。他借助 ChatGPT Images 2.5，输入了这样一段提示词：

Generate a photo of a faberge egg that's themed after the TV show Pluribus - research first（生成一张以电视剧《Pluribus》为主题的法贝热彩蛋照片——请先做调研）

你可能没注意到提示词中的 "research first"——它要求模型先理解剧集内容再动手。生成结果相当惊艳：一枚半开的黄色彩蛋，内部清晰呈现了剧中主角 Carol 身着黑衣、与一群诡异的白脸联体人对峙的场景，配上仙人掌与新墨西哥州阿尔伯克基的荒漠氛围，蛋座上还带有 Pluribus 铭牌。作者评价这个首次尝试"实话说相当不错"。

图像到3D建模：编码智能体的自动接力

真正体现工具链威力的是下一步。Willison 把这张生成的图片粘贴进运行 GPT-6 Astra（high）的 Codex，然后给出指令：

Use your blender local skill to create a blender model of this faverge egg（使用你的 blender 本地技能，为这枚法贝热彩蛋创建一个 blender 模型）

这里的关键是他预先定义好的"skill"（技能文件）。这是一种让编码智能体理解如何调用 Blender 的能力封装，作者此前已通过实践总结出这套本地 Blender 技能的用法。有了这层能力，智能体就能自主编写并执行 Blender 脚本，完成建模工作。

整个过程耗时 17 分 51 秒，最终产出了多个 .blend 文件。从图像到三维模型，全程由 AI 智能体自动驱动，人类只需给出高层次的意图指令。

Blender浏览器查看器：无需安装即可预览3D模型

光有 .blend 文件还不够——普通用户很难打开它。于是 Willison 拿出了自己早先通过"氛围编程"（vibe-coded）搞出的一个实验工具，把它整合进了自己的工具集，命名为 .blend URL Viewer。

这个浏览器查看器的巧妙之处在于：你只需提供一个 .blend 文件的 URL，就能直接在浏览器里看到渲染后的 3D 模型，无需安装 Blender 客户端。它甚至能直接解析 GitHub 上的文件链接（通过 jsDelivr CDN 代理）。

从查看器的信息面板可以看出这个模型的规模相当可观：

• 文件大小 7.2 MB
• 387 个网格（meshes）、1099 条曲线（curves）
• 783,764 个顶点、1,446,560 个三角面
• 17 种材质

最终3D模型效果：细节还原度如何

最终呈现的是一枚金色宝石镶嵌的法贝热风格彩蛋：顶部掀开，露出内部微缩的沙漠场景——绿色仙人掌、棕色岩石，以及中央一个身着黑西装的小人像；蛋壳上装饰着绿色宝石、珍珠、繁复的卷草纹，一圈微笑的白色蛋形脸孔，还有绘制着仙人掌与沙漠场景的椭圆奖章。彩蛋由四条金腿支撑，立于黑色大理石底座之上，底座刻有 PLURIBUS 铭牌。

查看器还贴心地标注了当前预览的局限："材质与文字为近似渲染；未应用的修改器被省略"——这是对技术边界的诚实说明。

这条多模态AI工作流揭示了什么

抛开彩蛋本身的趣味性，这次实验的真正价值在于它演示了一条完整的多模态 AI 工作流：

能力的可复用封装

通过定义 skill 文件，作者把"如何操作 Blender"这项复杂技能沉淀下来，让编码智能体可以反复调用。这正是当前 AI 智能体走向实用的关键——把领域知识固化为可复用的能力单元。

跨模态的自然衔接

图像生成模型负责"创意可视化"，编码智能体负责"把图像翻译成三维脚本"，浏览器工具负责"呈现结果"。每个环节各司其职，人类只需在关键节点给出意图。

工具生态的自建自用

Willison 长期以"氛围编程"的方式积累各种小工具，这个 Blender 浏览器查看器就是现成拿来即用的例子。当个人拥有足够多的自建工具时，新的实验往往能快速拼装完成。

对于开发者而言，这个案例传递出一个清晰的信号：AI 智能体的强大不在于单个模型有多聪明，而在于如何把生成、编码、渲染等能力有机串联起来，形成端到端的自动化流程。从一句自然语言到一个可交互的 3D 作品，这段距离正在被急速压缩。