腾讯混元3D掏出WorldClaw：一句话生成可编辑3D世界，Blender直出

8 月 6 日，腾讯混元3D 团队在 arXiv 上扔出一篇论文，同步上线了项目页面和 11 个完整 3D 世界的演示。系统叫 WorldClaw：输入一句自然语言描述，输出一个在 Blender 中可直接打开、每个物件都能独立编辑的完整 3D 场景。

三天后，3D AI 领域博主 Stefan Vaskevich 在 X 上发了一段视频总结，，评论区从「Holy shit」刷到「源码在哪」。

此前，AI 3D 生成的主流叙事是一个模型吐出一个资产：一把椅子、一棵树、一只怪。WorldClaw 把这个粒度从「单个物件」直接拉到了「整个世界的布局与构成」。论文的 arXiv 编号是，四位作者 Chunchao Guo、Jinpeng Li、Yang Li 和 Zilong Huang 全部来自腾讯混元3D 团队。展示了 11 个示例场景，覆盖雪村、海岛聚落、彩绘沙丘、翡翠火山口，每个场景都提供了等距布局图、环绕轨道渲染和地面行走视角。

刷屏的惊叹，和一句「源码在哪」

最先引爆传播的是 Stefan Vaskevich，一位常驻曼谷的 3D AI 探索者，在 X 上有约 2900 个关注者。他在 8 月 9 日发推：

「It finally happened: instead of a single 3D asset, AI now generates an entire 3D world full of editable assets.」

随后他逐条列出了 WorldClaw 的五项能力：区域感知的程序化地形、可独立编辑的带纹理 mesh、自动物件生成与摆放、agent 自动修正比例和地形接触、全流程在 Blender 中完成。他同时也补了一句：「Still very early and far from perfect, but this is a significant step.」

，一位 Brighton 开发者，在回复中戳了一个关键问题：「The word 'source' and a github link is misleading. For clarification that is not a link to the source code — which doesn't appear to have been released.」论文和项目页都公开了，但代码没有开源。

另一位应用 AI 研究者从评估角度提了一个更尖锐的问题：可编辑世界比一次性资产更有价值，因为 agent 可以用「人工修正成本」来衡量，而不只是视觉质量。他问：「第一遍生成之后，还剩多少人工清理工作？」这个问题目前没有答案。

还有一条评论来自，他关注的是工程落地：「早，但有戏。想看看生成的 mesh 在手动编辑和导出 Unity/Unreal 时能撑住多少。」

混元3D两年进化：从单品到整张地图

腾讯混元3D 不是突然冒出来的玩家。

2025 年 1 月，团队发布，一个大规模 3D 合成系统，主打高分辨率带纹理的 3D 资产生成。此后不到一年间，陆续开源了 Hunyuan3D 2.1 和 2.5，逐步从单资产生成扩展到场景级能力。2025 年 9 月，腾讯上线了 Hunyuan3D 3.0 平台，把 3D 模型生成包装成一站式服务。

这条产品线上，此前的每一步都在解决「做一个高质量的 3D 东西」。WorldClaw 是第一次把问题重新定义为「做一个世界」。论文在 Related Work 中把现有方法分成四类：程序化生成（PCG）、图像/视频升维、原生 3D 扩散模型、多模态 LLM agent 方法。然后逐一指出瓶颈：PCG 受限于规则表达力，视频升维缺乏全局一致性，3D 扩散模型受限于场景数据集稀缺，LLM agent 则缺乏精确的 3D 空间控制。WorldClaw 的设计回答了一个核心判断：一个全局一致的世界不需要同时在每一处都精细生成。先把骨架搭好，再在需要的地方填血肉。

粗到细的三段 Agent 接力

WorldClaw 的管线分三步，由专门的 agent 执行，agent 之间通过结构化中间表示通信。

第一步，意图解析与规划。Intent analysis agent 只提取提示中明确陈述的约束，不自行脑补。Scene planning agent 接着补齐下游模块需要的属性，输出场景规格书：区域划分、地形类型、物件类别、材质和空间关系。

第二步，全局地形生成。系统先生成一张语义布局图（color-coded 2D 地形分区），再用区域感知高度场公式混合不同地形。软区域权重将每个区域的基础高程与多频噪声及地貌算子（山峰、沙丘、台地、侵蚀）融合，使不同地形在交界处连续过渡而不断裂。随后进入渲染-检查-编辑闭环，agent 修正区域过渡和材质比例。

第三步，区域物件生成与摆放。Regional planning agent 只选地形能支撑的区域进行细化。对每块区域，渲染局部地形图后用图像编辑模型填充物件，再经 image-to-3D 模型重建为独立带纹理 mesh。3D 位置通过射线反算恢复，refine agent 循环检查姿态、质量和地形接触，任何碰撞或悬浮都会被修正，每次修正后重新渲染再检查。

论文展示的 11 个世界覆盖多种生态：雪线村、彩绘沙丘、海岛聚落、大峡谷、余烬火山口、边境矿场等。每个附带四通道渲染：外观、实例遮罩、表面法线和深度。

「生成」的边界被重新划定了

过去两年，3D AI 的叙事围绕着「做得更像、做得更快」打转：benchmark 上的 FID 分数、纹理分辨率、单次生成耗时。这些指标衡量的是一个 3D 生成模型作为「资产工厂」的能力。

WorldClaw 不再把输出定义为一个资产，而是一个由可编辑资产组成的空间。论文 Conclusion 写道：每个世界最终解析为显式地形加独立可管理的带纹理 mesh，支持自由视角探索、物件级编辑与复用，以及直接移交渲染、动画制作和游戏引擎工作流。这是把 3D 生成从「渲染管线的一环」变成了「世界构建的起点」。

距离实用还有好几道坎。论文自己列了两条未来方向。一是 code-native 3D modeling：当前生成式 3D 主干几乎无法还原显式的部件层级、参数化结构或交互逻辑，WorldClaw 已能在 Blender 中以可执行节点图编写地形材质，下一步是把这种能力扩展到物件生成。二是生产引擎集成：Blender 提供脚本化的几何和渲染访问，但大型游戏世界还需要运行时程序化生成、导航、物理和交互。换句话说，目前产出的是生产起点，不是成品地图。

世界有了，游戏还远

WorldClaw 最诚实的一句话藏在论文的 Outlook 中：「随着 agent 接手资产搜索、材质图和 shader 工作，3D 内容创作的中心问题不再是『如何构建每一个底层组件』，而是『创作者想表达一个怎样的世界』。」

这句话既是路线图，也是当前的天花板。WorldClaw 证明了从一句话到一个可编辑 3D 世界的技术通路已经走通。但通路走通和能干活之间，隔着开源代码、引擎集成和可复现的编辑成本数据。这三样东西，目前一个都没有。