用 Articraft 制作可动 3D 资产

如果你想做一个“能开合的台灯、能转动的风扇、能拉开的抽屉柜”传统 3D 工作流通常意味着建模、拆分部件、定义关节、反复调试、再导出到下游系统。问题是这类“可动对象”并不只是静态几何体它们还需要语义化部件、合理结构以及真正能运动的物理关节。Articraft 想做的是把这件事从“重手工制作”变成“由 LLM 驱动的程序化生成”。1、当前文生3D的问题过去几年文生 3D 发展很快但大多数系统更擅长生成“看起来像”的静态物体而不是“真的能动、能编辑、能进入数据集”的 articulated 3D assets关节化 3D 资产。这背后有几个现实问题静态生成不等于可动资产一个模型看起来像台灯不代表灯头能转、支臂能折叠。人工流程太重要把一个对象拆成语义部件、定义 joint、检查结构仍然高度依赖人工 DCC 工具链。难以规模化做几个 demo 可以做上千、上万条高质量、可追踪、可复用的数据很难。缺少标准化产出没有统一的记录、编译、检查、浏览和批量生成机制数据很难沉淀为真正可用的数据集。所以行业真正需要的不只是“生成一个 3D 物体”而是生成一整套可扩展、可验证、可浏览、可批处理的 articulated asset workflow。2、Articraft 的解决方案Articraft 是一个面向大规模可动 3D 资产生成的智能体系统。它的核心思路不是直接吐出一个黑盒模型文件而是让 LLM 进入一个代码生成工作流用户输入文本提示词或附加参考图系统驱动多轮生成流程LLM 产出对象的model.py编译器执行脚本并导出几何、URDF 等产物Viewer 用于可视化检查对象结构、关节和数据这意味着Articraft 生成的不是“不可解释的结果”而是可追踪、可编辑、可复现的对象定义过程。Articraft 的完整方案由几部分组成生成 Agent Runtime负责多轮推理、工具调用、模型适配和生成 orchestration。Articulated Object SDK为 LLM 提供统一的对象表达方式让“部件、几何、关节、层级”成为一套可编程接口。Compiler / Materialization Pipeline把生成脚本转成实际可用的 URDF、mesh 和可视化资产。Canonical Storage Dataset Tooling把每次生成沉淀为标准 record支持数据集组织、批处理、恢复和追踪。Web Viewer基于 FastAPI React Three.js方便浏览生成结果、检查几何结构与关节行为。更重要的是Articraft 不是只服务于单次 demo。它从一开始就是为规模化数据集构建设计的支持 workbench 模式做快速探索支持 CSV batch spec 做批量生成支持 resume / recovery 做长任务恢复支持 record fork 做基于已有对象的迭代编辑支持多家模型提供商包括 OpenAI、Gemini、Anthropic 和 OpenRouter换句话说Articraft 解决的不是“如何生成一个对象”而是“如何把可动 3D 资产生产做成一条真正可运营的流水线”。3、Articraft 的应用场景Articraft 的价值主要体现在那些需要大量“结构正确、语义明确、可以运动”的 3D 对象的场景中机器人与 embodied AI机器人不只需要看见椅子、柜子、台灯还需要理解哪些部分能开、能拉、能转。Articraft 适合生成这类可交互对象数据。仿真与物理环境构建在 simulation 中静态模型远远不够。Articraft 生成的 articulated assets 更适合进入可操作、可验证的仿真环境。大规模 3D 数据集建设如果目标是构建成千上万条可动对象记录手工流程很难支撑。Articraft 的 batch、record、cache、viewer 机制正是为这种规模化生产设计的。研究与原型开发对研究者和开发者来说Articraft 提供了一个从 prompt 到 asset、从单体实验到数据集沉淀的统一工作面。4、结束语Articraft 的意义不在于“又一个文生 3D 工具”而在于它把可动 3D 资产生成这件事重新定义为一个可编程、可扩展、可追踪的系统工程。当 3D 对象不仅要“长得像”还要“能动、能管、能批量生产”时Articraft 提供了一条更适合下一阶段研究和应用的路径。如果你在做 3D 生成、机器人、仿真或者正在搭建 articulated object dataset现在就是一个很好的切入点。原文链接用 Articraft 制作可动 3D 资产 - 汇智网