3D 才是管線真正斷掉的地方：TRELLIS.2 與 O-Voxel 的賭注

沒人想談的那個資產

影像生成搶走了目光，影片生成貢獻了展示片段，3D 則縮在角落，成了管線裡到現在還得留一個人的原因。如果你試過把生成出來的物件塞進遊戲引擎、產品配置器或 VFX 鏡頭，你應該很熟那種失敗方式：圖看起來沒問題，檔案一無是處。

TRELLIS.2 是 Microsoft Research 的 4B 參數圖生 3D 模型，它想在表示層而不是算圖層解決這件事。這個月它一直掛在 GitHub 趨勢榜上，大約 11,000 顆星，之所以反覆被翻出來，是因為它是少數幾個下游工具真的願意接受的 3D 生成器。

O-Voxel 改了什麼

大多數圖生 3D 系統預測的是一個隱式場，SDF 或佔用網格，再用 marching cubes 從裡面把表面抽出來。這方法很優雅，但有個很具體的弱點：它預設物件是一團封閉、水密的實體。有可見內裡的衣物、葉子、薄殼、自己碰到自己的幾何、任何有封閉空腔的東西，都會在抽取時被平均掉或直接不見。

TRELLIS.2 用一套稀疏體素結構換掉這個場，它叫 O-Voxel，被描述為 field-free。它不問"表面離這點多遠"，而是直接表示結構，於是開放表面、非流形幾何、內部封閉結構都能留下來，不必經過一次有損轉換。

聽起來像研究細節。這就是一件外套算圖正確，和一件外套看起來像塊印了貼圖的實心疙瘩之間的差別。

剩下那套技術堆疊反而很普通，看得出來實用性是目標之一。一個 16× 空間降採樣的稀疏 3D VAE 把資產壓進緊湊的潛空間，生成走的是普通 diffusion transformer，不是特製架構。H100 上的解析度與耗時：512³ 大約三秒，1024³ 大約十七秒，1536³ 大約一分鐘。

材質才是救場的那部分

最重要的特性是 PBR。TRELLIS.2 不只預測一張顏色貼圖。它把基礎色、粗糙度、金屬度、不透明度建構成獨立通道，意思是結果在新光源下算圖是對的，而不是只在生成時那個角度好看。

大多數 3D 生成就是在這一步於產線裡崩掉的。一個烘過顏色貼圖的網格在檢視器裡很唬人，一旦有人換顆燈或移動鏡頭，馬上散掉。帶粗糙度與金屬度貼圖的網格，行為才像個物件。透明支援是比較小但同樣實用的勝利：玻璃、葉子、有破洞的布料不再是特例。

處理管線也異常輕。在單顆 CPU 上把帶貼圖的網格轉成 O-Voxel 不到十秒；轉回來在 CUDA 上不到一百毫秒。沒有最佳化迴圈，沒有逐資產清理。對任何等過貼圖烘焙工作的人來說，這一段讀起來像個承諾。

它在真實管線裡的位置

今天最實際的用法不是"生成主角資產"。而是填主角資產周圍的空間。一張產品圖需要一個架子、一張桌子、一條線材、地板上一個箱子。這些道具單看很無聊，合起來很貴，因為每一個都是一份建模工作，要佔掉美術一個下午。

這個品質水準的圖生 3D 把一個下午變成幾分鐘加一輪清理。輸出還是需要有人檢查比例、修正原點、收拾表面變薄處的拓樸，但起點已經是一個帶材質的網格，而不是一個空視窗。工時花在哪裡，這件事真的變了，而且這是那種永遠不會進展示片的收益，因為它單獨看一點也不驚豔。

安裝才是真正的門檻

現在是誠實的那部分。TRELLIS.2 是一個研究倉庫，它的行為也確實像。

它只在 Linux 上測試過。它要一張至少 24GB 記憶體的 NVIDIA GPU，程式碼在 A100 和 H100 上驗證過。它需要 CUDA Toolkit，建議 12.4，安裝過程會編譯若干套件。預設的注意力後端是 flash-attn；在 V100 這類老卡上，你得裝 xformers 並設定一個環境變數。

社群用 ComfyUI 節點補上了這塊空缺，市面上至少流通三套節點包，這既是需求的訊號也是警告，因為它們並不通用，任何 TRELLIS.2 專案的第一個真正決定就是選哪一套。用 RTX 50 系列卡的 Windows 使用者有一種特別的痛：那些 GPU 要 570 或更新的驅動程式和 CUDA 12.8 或 13，這會打斷好幾個為 CUDA 12.6 及以下建置的相依套件。

低於 24GB 你不是被擋在門外，但確實進了妥協區。量化版本在 8GB 卡上跑 512 解析度，在 RTX 3060 上每個網格大約三到六分鐘。這是能用的原型速度，也是難受的生產速度。"我能試試"和"我能交付"之間的差距，是用 VRAM 來量的。

還有個匯出的小坑，值得在開 issue 之前先知道：GLB 檔匯出時 alpha 模式被設成 OPAQUE，所以檢視器會忽略你生成的透明度。修法是後處理設定裡改一行，或者在 Blender 裡重新接上 alpha 通道。資料是在的。只是匯出器預設不用它。

為什麼 3D 才是真正的瓶頸

看看 AI 在哪些地方可量測地改變了生產流程，哪些地方沒有。概念美術：變了。分鏡：變了。產品攝影：變了。3D 資產：大致沒變，因為交付物不是一張圖。它是一個帶拓樸、UV、材質、比例和原點，而且得讓另一個程式也認同的檔案。

這份契約比"看起來不錯"嚴格得多。一張 95% 正確的貼圖是能用的貼圖。一個 95% 正確的網格，是一個合不起來、不能布林、不能綁骨的網格。

TRELLIS.2 的賭注是：滿足這份契約的方法，是原生地對結構建模，而不是從一個場去逼近它。O-Voxel 會成為標準還是留在研究產物階段，取決於跟論文無關的東西：匯出工具、引擎外掛，以及生態會不會收斂到一套 ComfyUI 節點上。

已經清楚的是方向。今年有用的 3D 工作不是關於更漂亮的預覽。而是關於輸出能不能撐過與鏈條裡下一個程式的接觸。這個目標不太上相，但它決定了人還要不要留在迴圈裡。