3D 才是流水线真正断裂的地方：TRELLIS.2 与 O-Voxel 的赌注

没人愿意聊的那个资产

图像生成抢走了注意力，视频生成贡献了演示片段，3D 则蹲在角落里，成了流水线里至今还得留个人的原因。如果你试过把生成出来的物体塞进游戏引擎、产品配置器或者 VFX 镜头，你应该熟悉那种失败方式：图看着没问题，文件一文不值。

TRELLIS.2 是 Microsoft Research 的 4B 参数图生 3D 模型，它想在表示层而不是渲染层解决这件事。这个月它一直挂在 GitHub 趋势榜上，大约 11,000 颗星，之所以反复被人翻出来，是因为它是少数几个下游工具真的愿意接收的 3D 生成器。

O-Voxel 改了什么

大多数图生 3D 系统预测的是一个隐式场，SDF 或者占用网格，然后用 marching cubes 从里面提取表面。这方法很优雅，但有个具体的弱点：它默认物体是一团封闭、水密的实体。带可见内衬的衣服、叶子、薄壳、自己碰到自己的几何、任何有封闭空腔的东西，都会在提取时被平均掉或者丢掉。

TRELLIS.2 用一套稀疏体素结构替换了这个场，它叫 O-Voxel，被描述为 field-free。它不问"表面离这个点多远"，而是直接表示结构，于是开放表面、非流形几何、内部封闭结构都能留住，不用经过一次有损转换。

听起来像研究细节。这就是一件夹克渲染正确，和一件夹克看起来像块印了贴图的实心疙瘩之间的区别。

剩下那套技术栈反而很常规，看得出实用性是目标之一。一个 16× 空间下采样的稀疏 3D VAE 把资产压进紧凑的潜空间，生成走的是普通 diffusion transformer，不是定制架构。H100 上的分辨率和耗时：512³ 大约三秒，1024³ 大约十七秒，1536³ 大约一分钟。

材质才是救场的那部分

最重要的特性是 PBR。TRELLIS.2 不只预测一张颜色贴图。它把基础色、粗糙度、金属度、不透明度建模成独立通道，这意味着结果在新光照下渲染是对的，而不是只在生成时那个角度看着对。

大多数 3D 生成就是在这一步于生产环境里崩掉的。一个烘了颜色贴图的网格在查看器里很唬人，一旦有人换了盏灯或者移动了相机，立刻散架。带粗糙度和金属度贴图的网格，行为才像个物体。透明支持是更小但同样实用的胜利：玻璃、叶子、带洞的布料不再是特例。

处理管线也异常轻。在单颗 CPU 上把带贴图的网格转成 O-Voxel 不到十秒；转回来在 CUDA 上不到一百毫秒。没有优化循环，没有逐资产清理。对任何等过贴图烘焙任务的人来说，这一段读起来像个承诺。

它在真实流水线里的位置

今天最现实的用法不是"生成主角资产"。而是填主角资产周围的空间。一张产品图需要一个架子、一张桌子、一根线缆、地上一个盒子。这些道具单看很无聊，合起来很贵，因为每一个都是一份建模活，要占掉美术一个下午。

这个质量水平的图生 3D 把一个下午变成几分钟加一遍清理。输出还是需要有人检查比例、修正原点、收拾表面变薄处的拓扑，但起点已经是一个带材质的网格，而不是一个空视口。工时花在哪里，这件事真的变了，而且这是那种永远不会进演示片段的收益，因为它单独看一点也不惊艳。

安装才是真正的门槛

现在是诚实的那部分。TRELLIS.2 是一个研究仓库，它的行为也确实像。

它只在 Linux 上测试过。它要一块至少 24GB 显存的 NVIDIA GPU，代码在 A100 和 H100 上验证过。它需要 CUDA Toolkit，推荐 12.4，安装过程中会编译若干包。默认的注意力后端是 flash-attn；在 V100 这类老卡上，你得装 xformers 并设置一个环境变量。

社区用 ComfyUI 节点补上了这块空缺，市面上至少流通着三套节点包，这既是需求的信号也是警告，因为它们并不通用，任何 TRELLIS.2 项目的第一个真正决定就是选哪一套。用 RTX 50 系卡的 Windows 用户有一种特别的痛：那些 GPU 要 570 或更新的驱动和 CUDA 12.8 或 13，这会打断好几个为 CUDA 12.6 及以下构建的依赖。

低于 24GB 你不是被挡在门外，但确实进入了妥协区。量化版本在 8GB 卡上跑 512 分辨率，在 RTX 3060 上每个网格大约三到六分钟。这是能用的原型速度，也是难受的生产速度。"我能试试"和"我能交付"之间的差距，是用显存来量的。

还有个导出的坑，值得在提 issue 之前先知道：GLB 文件导出时 alpha 模式被设成 OPAQUE，所以查看器会忽略你生成的透明度。修法是后处理配置里改一行，或者在 Blender 里重新接上 alpha 通道。数据是在的。只是导出器默认不用它。

为什么 3D 才是真正的瓶颈

看看 AI 在哪些地方可测量地改变了生产流程，哪些地方没有。概念美术：变了。分镜：变了。产品摄影：变了。3D 资产：基本没变，因为交付物不是一张图。它是一个带拓扑、UV、材质、比例和原点、并且得让另一个程序也认同的文件。

这份契约比"看着不错"严格得多。一张 95% 正确的贴图是可用的贴图。一个 95% 正确的网格，是一个合不上、布尔不了、绑不了骨的网格。

TRELLIS.2 的赌注是：满足这份契约的办法，是原生地对结构建模，而不是从一个场去逼近它。O-Voxel 会成为标准还是停留在研究产物，取决于跟论文无关的东西：导出工具、引擎插件，以及生态会不会收敛到一套 ComfyUI 节点上。

已经清楚的是方向。今年有用的 3D 工作不是关于更漂亮的预览。而是关于输出能不能扛住与链条里下一个程序的接触。这个目标不太上镜，但它决定了人还要不要留在环里。