三款顶尖AI在Blender里造奢华腕表，谁赢了？

一场跨模型的3D生成对决

YouTube创作者进行了一次颇具野心的测试：让三款顶尖AI模型——GPT-6 Astra、Gemini 4 Argon和Claude Opus 5.5——在Blender中从零生成一枚超奢华腕表，并进一步为各自的作品撰写广告提示词，通过Higgsfield Ad Studio生成广告视频。测试的评判维度不止于最终视觉，还包括耗时、资源消耗、几何拓扑质量以及提示词设计的巧思。

这场对决之所以值得细看，是因为它把「AI写代码建3D场景」这件事从实验室推向了工程现实：模型需要理解Blender的Python API、管理场景层级、处理材质与灯光，还要在长时间运行中保持任务连贯性。三款模型交出了风格迥异的答卷。

效率与成本：GPT-6 Astra的闪电战

GPT-6 Astra在「ultra code」模式下用2小时23分34秒完成最终审查，其中动画渲染占2小时6分29秒。日志记录328个已完成请求，处理约4116万tokens，其中约98%为缓存输入，输出token（含推理）仅14.9万。按官方标准API费率估算，模型token成本约55.35美元。

其Blender文件仅1.4MB，包含889个网格对象、42,848个多边形面，约98%为四边面。应用修改器并将曲线与文本转为网格后，场景三角面数为555,002。拓扑整洁度在三者中最高，四边面占比接近完美，这对后续绑定和动画极其友好。

GPT为Higgsfield设计的广告提示词要求保留模板中的主持人、镜头顺序、处理方式和节奏，替换腕表、对白、唇形同步与配乐。场景设定为「打烊后的沙龙」，海军蓝夹克、轻微英式口音，并加入标注解释「这是一份恒常」。

四边面（Quad）与三角面（Triangle）：在3D建模中，多边形网格由面构成，四边面指由四条边围成的面，三角面则由三条边构成。四边面在细分曲面、UV展开和角色绑定中表现更稳定，因为其网格流向更符合人体工学和动画变形需求；而三角面是实时渲染引擎（如游戏引擎）的最终计算单位，所有模型在导入引擎前都会被三角化。因此，四边面占比是衡量拓扑质量的关键指标——占比越高，模型越易于后期编辑和动画。文中GPT-6 Astra的98%四边面占比意味着其网格几乎无需清理即可用于生产，而Claude Opus 5.5的70%则可能需要更多手动重拓扑。

成本杀手：Gemini 4 Argon的轻量路线

Gemini 4 Argon按Google官方介绍性API费率（有效期至11月30日）估算，已知token成本仅约2.11美元，是三者中最低的。部分缓存字段缺失，导致统计不完全，但成本优势依然显著。其Blender文件1.25MB，681个网格对象、112,112个多边形面，约95%为四边面，三角化后为220,512个三角面——面数最少，场景最轻。

Gemini的广告提示词将模板改造成「日内瓦私人金库展示」，替换腕表与对白，指定沙龙总监、炭灰色服装、制表师手套和一个循环镜头，还指导手部动作，要求法式瑞士或梅费尔口音，开场白围绕稀缺性，收尾面向收藏家。

缓存输入（Cached Input）与token成本：大语言模型的API计费通常区分输入token和输出token，而缓存输入是指模型在处理长上下文时，对重复或先前已处理过的内容进行缓存复用，从而降低计费费率（通常为正常输入价格的10%-25%）。文中GPT-6 Astra的4116万tokens中约98%为缓存输入，这解释了其55.35美元的成本为何远低于按全价估算的数值。Gemini 4 Argon的2.11美元成本同样受益于缓存机制，但部分缓存字段缺失导致统计不完整。理解缓存机制有助于评估模型在长任务（如持续数小时的Blender场景生成）中的真实经济性。

深度与代价：Claude Opus 5.5的厚重答卷

Claude Opus 5.5耗时3小时27分，产出包含完整页面审查的多页报告，记录6个子代理、387条助手消息和约1.852亿处理tokens（1.8251亿缓存读取、184万缓存写入、84.88万输出含思考）。按官方标准费率估算成本约65.46美元，为三者最高。报告还包含1小时1分钟的GPU渲染。不过，估算中使用的缓存写入时长无法独立验证。

其Blender文件10.37MB，体积最大，但网格对象仅317个、多边形面386,258个，约70%为四边面，三角化后达665,522个三角面。四边面占比明显低于另外两者，拓扑整洁度稍逊，但对象数量少，场景结构可能更集中。

Claude的广告提示词保留模板的主持人、竖屏格式、序列与节奏，替换腕表与对白，设定日内瓦私人客户专员、白手套、柔和巴黎口音和六句定时台词，音频要求机械滴答声与一声钟鸣，不要音乐或字幕。

子代理（Sub-agent）编排：子代理是指主模型将复杂任务拆解为多个子任务，并调度多个专用代理并行或串行执行的工作模式。每个子代理拥有独立的上下文窗口和工具权限，主模型负责协调它们之间的依赖关系与结果汇总。Claude Opus 5.5记录到6个子代理，表明其采用了多代理协作架构来完成Blender场景搭建、广告提示词撰写和报告生成等不同环节。这种模式能提升任务深度和报告完整度，但也会增加token消耗和协调开销，是Claude成本最高的原因之一。子代理编排能力正成为评估AI模型处理长周期、多步骤工程任务的重要维度。

谁赢了？取决于你如何定义胜利

如果以效率与拓扑质量论，GPT-6 Astra胜出：四边面占比98%，成本居中，耗时最短。如果以成本论，Gemini 4 Argon以约2.11美元碾压对手，且面数最轻。如果以叙事深度和报告完整度论，Claude Opus 5.5提供了最详尽的子代理协作记录与广告创意细节，但代价是最高成本和较低的四边面比例。

你可能没注意到，三者都没有输出GLB文件，几何数据均来自Blender场景并包含环境。这意味着测试评估的是「场景搭建能力」而非「资产交付能力」。对于真正需要可移植3D资产的工作流，这仍是一个待补的缺口。

这场对决揭示了一个更深层的趋势：AI模型在3D创作中的竞争，已从「能不能做」转向「做得多快、多省、多好维护」。拓扑质量、缓存效率、子代理编排能力，正在成为新的评分维度。而Higgsfield Ad Studio这类工具的出现，则把3D生成与营销内容生产串成了一条链——模型不仅造表，还要会卖表。

至于谁赢了，视频创作者把问题抛给了观众。但数据已经给出了分项冠军：GPT赢在工艺，Gemini赢在成本，Claude赢在深度。真正的赢家，或许是那些开始用这些模型压缩3D内容生产周期的团队。

GLB文件与资产交付：GLB是glTF（GL Transmission Format）的二进制版本，是一种专为高效传输和加载3D场景而设计的开放标准格式，被广泛支持于Web、游戏引擎和AR/VR应用。GLB文件可打包网格、材质、纹理、动画和场景层级，是3D资产交付的通用容器。文中指出三者均未输出GLB文件，意味着测试评估的是模型在Blender内部搭建场景的能力，而非生成可移植、可复用的3D资产。对于需要将AI生成内容导入Unity、Unreal或Web端的工作流，缺少GLB导出是一个实际缺口，也是未来AI 3D工具需要补齐的关键环节。