過去一年，行業(yè)談論大模型創(chuàng)新時，普遍還是聚焦在推理能力、多模態(tài)融合這些方向，尤其是文本生成圖片和視頻這樣的新玩法。
海外的 OpenAI、Google、Anthropic 動作頻頻，國內(nèi)的阿里、騰訊、字節(jié)、快手、、MiniMax 等大廠和創(chuàng)業(yè)公司也都跟進得很積極，整個行業(yè)幾乎都在圍繞這些熱點方向展開激烈競爭。
但騰訊這家公司其實挺有意思。我也是昨天才發(fā)現(xiàn)，雖然它在前面說到的那些熱門領域也都有布局，但與此同時，它還一直悶頭在一個沒那么熱鬧的方向默默深耕——3D 生成。
要不是昨天和行業(yè)的同學聊天，我根本意識不到騰訊居然已經(jīng)把 3D 模型的能力做到了全世界頂流的水準。不過話說回來，這也符合騰訊一貫務實低調(diào)的作風。所以，我今天必須單獨寫寫這個模型，估計很多游戲、影視、文旅行業(yè)的同學能夠用得著。
過去這幾年，AI 內(nèi)容的進化基本是從文本到圖像、再到視頻一路推進，2D 世界幾乎都已經(jīng)被 AI 啃下來了。特別是今年，我們看到行業(yè)內(nèi)的圖像和視頻生成能力，已經(jīng)遠超預期，而且發(fā)展的后勁還很足。
但回到現(xiàn)實，咱們生活的世界從來都是三維的。不管現(xiàn)在炒得很熱的，還是之前元宇宙這些前沿場景，歸根結底都得落回到 3D 建模、三維理解這件事上。
而騰訊，這一兩年，通過自家的混元 3D 模型，幾乎是悄無聲息地把 3D 生成這件事做到了行業(yè)前列。上周，在計算機視覺領域頂會之一的 CVPR2025 上，騰訊正式開源了混元 3D 2.1 大模型，并且是從模型權重、訓練代碼，到數(shù)據(jù)處理流程上全鏈路開源。
截了個圖，現(xiàn)在 Hugging Face 上，Hunyuan3D-2.1 已經(jīng)直接沖到 3D 模型類目的榜首?？梢娖湫袠I(yè)影響力。
在騰訊還沒開源混元 3D 模型之前，行業(yè)內(nèi)其實沒有真正可用、完全開源的 3D 生成大模型。雖然 Google、OpenAI 這些大公司也都做過一些技術探索，比如 Google 的 DreamFusion、Magic3D，還有 OpenAI 的 Point-E、Shap-E 模型。
但這些模型基本都還停留在實驗階段，效果比較有限，細節(jié)、材質(zhì)的質(zhì)量和生成效率距離商業(yè)化落地還差得挺遠，更重要的是也并未真正完全開源。所以實際用起來并不容易，開發(fā)者們想用這些模型做點具體業(yè)務、落地項目還是困難重重。
2024 年 11 月，騰訊發(fā)布了混元 3D 模型的初代版本（1.0），當時圈內(nèi)關注的人不多，我自己也是最近回過頭去補課才發(fā)現(xiàn)的。
初代模型大致能實現(xiàn)輸入一段文本或一張圖，就自動給你生成一個 3D 模型，甚至還能自動幫模型綁好骨骼，做出簡單的動畫效果。之前這些活基本得專門的建模師和動畫師手工一點點來，現(xiàn)在初代版本的混元 3D 模型已經(jīng)基本能幫開發(fā)者省掉不少時間。
重要的是，騰訊在當時就把模型完整地開源了出去，模型的權重、參數(shù)這些全都可以直接拿去用。雖然初代版本的效果肯定不能跟現(xiàn)在比，但它確實給當時關注 3D 方向的人帶來了不小的驚喜。
因為在那個階段，OpenAI、Google 這些國際 AI 明星公司，在 3D 模型的研究方向上其實已經(jīng)陷入了停滯狀態(tài)。結果沒想到，半路突然殺出了一家中國公司，居然率先做出了真正能用的開源 3D 模型。
兩個多月后，也就是 2025 年的 1 月，騰訊繼續(xù)更新了混元 3D 模型的 2.0 版本。這次發(fā)布的 2.0 版在效果上提升得還挺明顯，主要體現(xiàn)在兩個方面：
一方面是模型對文本描述的理解明顯精準了不少，之前版本偶爾還會出現(xiàn)模型和文字描述對不上號的情況，現(xiàn)在基本上給一段文本，它能生成的 3D 模型形狀和細節(jié)都準確得多了。
另一方面則是幾何精度，這版生成的模型細節(jié)更多、輪廓更精確，當時已經(jīng)明顯超過行業(yè)內(nèi)能拿得出手的幾個主流 3D 模型。
幾何精度是個行業(yè)內(nèi)的專業(yè)名詞。
我找朋友給我解釋了下，他說“幾何生成”其實就是用算法自動造出三維物體的形狀?？梢园阉胂蟪尚r候玩橡皮泥，捏出各種小動物、房子、汽車。
只不過這次不是用手捏，而是讓電腦自己捏，輸入一段描述，模型就能憑空生成出一個 3D 模型，比如一只貓、一把椅子。這個過程中，電腦要決定每個點、每條線、每個面的具體位置和形狀。這就是所謂的幾何生成。
幾何生成對最終 3D 生成效果的影響是決定性的。打個比方，一個 3D 物件，幾何生成就是它的骨架，后面的材質(zhì)和渲染就是皮膚和化妝。
骨架搭得好不好，直接決定了你最后能不能做出個像樣的人，還是一團四不像的橡皮泥。當時 1 月發(fā)布的 2.0 模型，就在幾何生成方面有質(zhì)的突破。
與 2.0 版本同時到來的，還有混元 AI 3D 創(chuàng)作引擎。你可以把它理解成一個面向 3D 創(chuàng)作場景的 Midjourney 或者 Sora。區(qū)別在于，它不是生成一張圖或者一段視頻，而是可以一句話生成一個完整的三維模型，并且創(chuàng)作引擎提供了一站式的能力，除了生成外，還可以進行編輯，以及工作流的定制。
現(xiàn)在我再去審視，感覺騰訊應該是把他們對于 3D 內(nèi)容 AI 創(chuàng)作這事的構想放到了這個創(chuàng)作引擎之中。
到了今年 3 月，騰訊又把混元 3D 的開源節(jié)奏往前推了一步。這次他們不是只更新主力模型，而是同時開源了五個衍生版本，全部都是基于 Hunyuan3D-2.0 打造出來的，針對不同的使用場景做了優(yōu)化。
有的輕量化，顯存要求低；有的速度特別快，可以在很短的時間內(nèi)生成完整的 3D 模型；也有支持多視角輸入的版本，適合用來做更復雜的結構還原。
4 月份騰訊繼續(xù)“上新”，又把模型迭代到了 2.5 版本。這個速度，你可以看到，基本 1-2 個月一個版本，非?？臁＿@次 2.5 版本的更新，模型架構從原來的 1B 升到了 10B 參數(shù)量，幾何精度、細節(jié)密度、貼圖質(zhì)量都有明顯提升。
生成的 3D 模型，不光輪廓更準、細節(jié)更豐富，還能直接帶上高清紋理和凹凸貼圖，光影、材質(zhì)的真實感也上了一個新臺階。
更關鍵的是，這一代在動畫制作場景也做了適配。骨骼系統(tǒng)升級后，開始支持非標準姿態(tài)下的自動 rig 和蒙皮（簡單說，就是模型能自動識別骨架、貼上“皮膚”，直接進入可動狀態(tài)），省掉了原本動畫師要手動處理的大量復雜工作。
我個人覺得，從這個版本開始，混元的模型就正式進入生產(chǎn)級場景了。質(zhì)感整體上了一個大臺階。
然后最近的一次升級就是開頭提到的 2.1 版本。你可能會迷惑，怎么還和 OpenAI 一樣，把版本號倒回去了？是這樣。4 月發(fā)布的 2.5 版本，并沒有開源，而是上線到了騰訊云上。而這次的 2.1 是在之前2.0 開源版的增強版，也是當前開源模型中的?SOTA。
2.1?最大的突破是融合了?PBR紋理生成技術。PBR（Physically Based Rendering，基于物理的渲染）在 3D 領域其實已經(jīng)是行業(yè)標準，但此前自動化生成 3D 模型時，能做到高質(zhì)量貼圖的方案并不多見。
混元 3D 2.1 把 PBR 貼圖納入生成流程后，輸出的 3D 模型在光影、材質(zhì)、表面細節(jié)上的還原度有了明顯提升，能夠直接用于游戲、影視、虛擬場景等下游應用，減少了后期美術團隊的重復勞動。
毫無疑問，3D 模型領域，騰訊的混元絕對是當前效果最好的開源模型。
回過頭來看，騰訊能把 3D 生成這條線走通，說到底還是因為它踩在了自己最熟悉的領域里，能把技術和業(yè)務結合到一起。我們都知道，游戲中，角色、場景、動畫這些核心資產(chǎn)，全都離不開 3D。
AI 浪潮起來后，騰訊其實就是把自己業(yè)務里沉淀下來的關于 3D 的方法論和技術經(jīng)驗，直接和模型能力融合了，落地也自然而然。我一直認為，企業(yè)做事很難跳出自己的能力圈。
騰訊能把 3D 生成做到這個程度，本質(zhì)上還是因為每一步都貼著實際需求在走。3D 模型質(zhì)量越高，游戲團隊越能省力，生產(chǎn)效率和成本都能優(yōu)化下來。這和單純做模型炫技完全不是一回事。
期待騰訊能繼續(xù)造出來更好的 3D 模型。也許等到下一個內(nèi)容產(chǎn)業(yè)的拐點到來時，3D 生成的突破會成為那個決定格局的關鍵變量。
