让 AI 设计一个龙缠杯身、龙尾当把手的马克杯，它几分钟就能交出一个挺精致的模型。可把图放大，杯口被一块平板封死了，倒不进一滴咖啡。
几乎同一周，Kimi K3.1 Pro 发布，主打 3D 建模。
官方案例里，它调 Blender 写脚本，把一盏 25 厘米高的福建土楼台灯拆成灯罩、支撑和底座，导出 STL，还留好了走线和散热的位置。知乎
两件事摆在一起，AI 做 3D 走到哪一步，就清楚多了。
关键在于，大模型并不是"捏"出一个网格。Kimi 官方写得很直白：做 3D 有两条路。
一条是直接写代码，调用 Blender、Unity、Unreal、Godot。这些软件里的每个按钮，都能写成 Python 脚本。知乎
另一条是调用 Tripo、Meshy、Hyper 3D 这类图生 3D 服务。
分工也讲明白了。汽车、家电、机械零件优先参数化：外壳用截面放样，齿轮用旋转截面，按钮和连接件逐件装配，尺寸、对称、零件层级都能精确控制。知乎
人物、动物反过来，更适合生成式模型。肌肉起伏和连续曲面很难用公式写，纯脚本容易有"木偶感"。
Kimi 甚至承认，网格化建模这块，大语言模型暂时还做不好。所以遇到人物、动物，它会整理好提示词和参考图，转手交给 Tripo。知乎
这条线划得很务实：规则越明确，越适合参数化；形态越有机，越适合生成式。
规则明确的东西，AI 已经能做不少。
官方案例里，它用 Blender 搭出柱廊和巨龙，放进 Unreal Engine 5.8，配上体积云、Nanite 和 Lumen，主角用 MetaHuman 生成。知乎
一组公开测试里，Agent 处理复杂汽车模型，一个零件箱就生成了 168 个独立五金件。知乎
但"看着像"和"能用"之间，隔着物理世界。知乎小红书
MIT 计算机科学与人工智能实验室联合谷歌做过摸底：从 Thingiverse 挑 120 个热门模型，各渲染一张图，交给 TRELLIS 重建，再请专家对照。
结果 94 个同时存在两类以上毛病，平均每个 2.4 处。
最常见的是多出凸起和碎块，占 65.8%；该开的孔没开，48.6%；该实心的做成空心，36.9%。知乎
原因不复杂：训练时主要看渲染图像不像，各角度看着对就算合格；杯口开没开、壁够不够厚，图片上看不出来，它也就不在意。
他们做了个工具 InstructMesh：先别急着打印，普通人涂出问题部位、说一句话，系统在 64×64×64 的粗毛坯上增减几格方块，再让 AI 补回细节。
12 个没碰过建模软件的学生，10 分钟一个模型，找出 90.4% 的毛病，修好率 89.7%，一次修改平均 43.7 秒。知乎
但精度有限：一格约占物体尺寸 1.5%，更细的缺陷修不了；内部壁厚、公差得靠人发现；铰链、卡扣这类活动结构也还处理不了。
一个做产品外观建模的设计师让 AI 还原过行李箱，结论很直接：产品模型细节一点都不能错，还得能拆开，他用过的效果差得远。小红书
工业软件那边更像一面镜子。跟几家主机厂、Tier1 做 MBD 的人聊下来，AI 建模"十个里九个半用不起来"：演示惊艳，进量产就哑火。知乎
真正跑通的，全是后台调参、回归测试、批量比对的苦力活。
对学建模、做建模的人来说，问题已经不是"AI 会不会取代我"。
它已经能替你写脚本、开软件、拼场景；也会老实说，人物动物它不行。
你要做的，是把规则清楚、重复性高的活交出去，把形态判断、物理可行性和精度留给自己。
官方那几条技巧都在说这件事：多给参考图而不是形容词；先搭灰模看比例再细化；外部资产能借就借；跑通的流程存成 Skill。
会用这套东西的建模师，和不会用的，差距会越拉越大。被淘汰的，从来不是建模这门手艺。知乎
