CMU几何学家用LLM手写27KB GLSL代码生成3D龙

CMU 几何学家 Keenan Crane 完成了一次不走寻常路的 3D 建模实验：在多数人用 LLM 配 Blender/Three.js 生成模型时，他让 LLM（Astra）直接生成 27KB 的 GLSL 代码，定义一个闭合的解析隐式曲面（符号距离函数），最终做出一条致敬 Inigo Quilez 的龙 "Inigo the Dragon"。他明确这只是实验，结论是效率远不如 diffusion 网格生成器，但展示了 LLM 程序化建模路线的独特价值。

已确认

• 完整流程公开：作者贴出给 Astra 的初始提示词，要求以 Inigo Quilez 的 distance functions 风格将参考图表示为程序化 SDF，模型需自行构建基本形状库与形状组合操作
• 第一步用 Nano Banana 生成正面/侧面参考图，作者称这是全流程最容易的一步，也体现了扩散模型在密集视觉内容生成上的优势
• 迭代过程中他尝试了「true believer」式提示（直接让模型「相信你自己」），并补充 Inigo Quilez 的代码与文字教程作为模仿素材，作者称效果确有提升，但离目标仍有距离
• 总成本：25 小时 AI 调用、27 轮人工反馈；Astra 首次直接生成耗时 45 分 47 秒，结果作者形容为「呃，很美」，与 diffusion 模型约 3 分钟的产出差距悬殊
• 隐式曲面可视化成本极高：即便专门写了自定义 Metal 渲染器防止机器崩溃，渲染一段视频仍需约 45 分钟；最终他不得不把曲面转成 mesh 才便于检查修改
• 模型命名 "Inigo the Dragon"，作者坦言世上可能只有 iq（Inigo Quilez）能徒手构建这样的模型，整个流程大量借鉴其工作

为什么重要

• 作者分析了 LLM 生成程序化 3D 模型难学的两个原因：此类数据的树状不规则结构比在规则网格上采样的 SDF 更难学习，且训练数据极少——几乎没有美术工作者以此方式建模
• 但他仍认为值得尝试：LLM 本就擅长建模「树状」数据的统计规律，且 VLM 的 3D 空间智能正快速提升；这条路相当于面向光滑有机形状的「Blender 基础体」
• 他还指出从 2D 投影反推 3D 本质是病态问题——几何、材质、光照、相机的多种组合都能产生同一图像，因此需要正则化或先验；他采用的几何先验是「物体由盒子、椭球体等基本几何基元混合而成」
• 作者明确提醒：真需要从图像生成有机 3D 模型，Meshy、Tripo 等扩散网格生成器更快更便宜质量更好且全自动——网格约 3 分钟、每个约 50 美分

2026-10-10 ~ 2026-10-10 · 13 条相关

• 【源头】不用 mesh 和 3DGS，他用 LLM 写 27KB GLSL 代码生成 3D 龙 — keenanisalive · 2026-10-10
• CMU 教授用 LLM 生成 27KB GLSL 代码手搓隐式曲面 3D 龙 — keenanisalive · 2026-10-10
• 【源头】25 小时 AI 调用、27 轮人工反馈：这条 LLM 生成 3D 龙致敬 iq — keenanisalive · 2026-10-10
• 作者提醒：真要图生 3D，Meshy/Tripo 比 27KB GLSL 隐式曲面好用得多 — keenanisalive · 2026-10-10
• 隐式曲面渲染有多贵：自定义 Metal 渲染器跑 45 分钟才出一段视频 — keenanisalive · 2026-10-10
• 隐式曲面 3D 龙第一步：用 Nano Banana 生成正/侧面参考图 — keenanisalive · 2026-10-10
• 2D 图反推 3D 是病态问题，先用 Nano Banana 生成参考图 — keenanisalive · 2026-10-10
• 为什么 LLM 难学程序化建模：树状结构+数据稀缺 — keenanisalive · 2026-10-10
• VLM 空间智能变强，程序化建模值得一试的两大理由 — keenanisalive · 2026-10-10
• 【源头】作者公开完整 Prompt：让 LLM 依图写程序化 SDF 3D 模型 — keenanisalive · 2026-10-10
• LLM 画龙花 45 分钟，diffusion 模型 3 分钟效果碾压 — keenanisalive · 2026-10-10
• 用「相信你自己」提示法调教 LLM 写 3D SDF 模型实测 — keenanisalive · 2026-10-10

另有 1 条近重复转述:keenanisalive