GPT-6 Astra 做实景三维重建，我拿一套住宅试了试

GPT-6 Astra 发布以来最火的是建模。它在 Blender 里自己写脚本、跑渲染、看效果、改一改，然后一栋住宅就建好了。

当然，也有人说，异形结构还不行，细节问题很多，中看不中用，等等。

了解的同学大概知道，我过去几年开始创业做如视（Realsee），而我们做的是实景三维重建。大家在贝壳找房上看到的 VR 看房、美团上看到的餐厅预订 VR 等，就是我们的工作。所以这几天我做了一组测试：给定真实采集的空间数据，Astra 的重建能力到什么程度，边界在哪。

案例：住宅

我挑选了一套新房样板间，采用如视伽罗华 P4 采集, 它是我们设计生产的架站式激光扫描仪，它的特点是会采集最高高达32K的全景图，它长这样（大家如果在贝壳卖过房子，应该会见过它):

数据包括 24K HDR 全景图、高精度点云、Mesh 等 16 种数据（4.3GB）：

我把伽罗华 P4 采集和产出的 16 类数据（全景图、HDR Raw、深度图、六视图、Mesh、点云、位姿、3DGS、物品识别、户型图、CAD、反射率、多光谱等）一次性给到 GPT，由它判断“需要哪些”。GPT 的选择逻辑是按用途分工：

平面图确定房间结构 → 点云和深度约束形状 → 识别结果帮助定位物品 → 全景和截图指导造型与材质。

第一轮，使用“户型图 + Mesh + 户型 JSON + 模型压缩包”：

可以看到还是不太行：无论物体、户型格局、颜色还是材质，都不太对。

第二轮：补充图像、点云和深度图数据

我和 GPT 沟通生成中的问题：哪些方面还原得不好，以及它还需要哪些数据来帮助项目优化。

GPT 很快理解了点云、深度图和高清全景图分别能优化哪些问题。收到新的数据之后，新的输出结果比第一轮提升了很多：

上面是伽罗华真实拍摄的 24K HDR 全景图，下面是 GPT-6 虚拟渲染出来的效果。可以看到，到这一步，整体布局、家具种类、颜色、材质、朝向都基本正确，甚至窗外景色也做到了相似。

并且所有物体都有单独模型，可以拆分。我感觉每一个家居都经历了：

总的来说，虽然细节上还有很多小问题，但整体上乍一看已分不清虚拟和现实。非常惊艳。

一个对照实验：只给照片会怎样

那既然 Astra 这么强，丢几张照片进去不也能行么？

我也试了。即使 prompt 明确要求高精度还原，仅有全景图输入时，GPT-6 的结果仍是从图像理解出发、基于空间结构假设“猜”出来的。单个物品还好；但当大量物品在同一空间内存在确定的几何关系约束时，关系还原会混乱，整体结构和细节看起来就会很粗糙。

对比下来，给到 GPT-6 Astra 更多数据——精细高清图像和对应的空间点云，空间的结构、测量尺寸、图像之间的位姿、布局关系都是确定性输入，输出质量就更高了。

同一个模型，给它照片，它交出的是想象；给它高质量的数据，它交出的是工程。

对应到产出端，自然会带来：

• 空间结构确定性更高：激光扫描给的是物理空间的真实布局和连通关系，不是“图像推断”。Astra 建模时歧义更少，少走弯路，降低结构歧义与人工校正成本。
• 尺寸是毫米级，能直接进下游：硬件精度直接传递给模型。输出的 .blend / .usd 等通用格式场景有量尺，可对接更多下游应用场景。
• 物件可分割、可替换、可导出：每个物件都是独立资产，单件换材质、做动画、导出都行。而且数据源画质够高，物件纹理来自真实扫描的多视角观测，不是 AI 臆造出来的。

这事到底“能用”在哪

凡是需要“空间数据驱动决策”的场景，数字孪生就有价值。过去卡在三个字：建模贵、周期长、精度不够用。

现在，这三个问题同时在松动。

图像可信、尺寸可信、结构可信、资产可分割——这四个词凑齐了，下游才敢接。仿真模拟、设施巡检、沉浸文旅、安全培训，包括具身智能的 Sim-ready 训练、游戏和影视创作，都能用同一份数据往下走。

最后

最有意思的地方不是“AI 会建模了”。虽然瑕疵还多，但我相信随着 AI 的快速迭代，未来都能克服。

而是：当 AI 的行动力不再是瓶颈，瓶颈会回到数据本身。

注意这里的“数据”指什么：不是“有数据就行”，而是确定性的、有尺度的、多视角的真实采集数据。模型越强，对数据质量的要求不是降低，而是升高——因为它能利用的信息维度更多了。

当然，也不排除是我的使用姿势有问题，欢迎留言指出。

最后是一个更详细的教程和案例数据下载地址:

• 教程地址：把真实空间，变成可以编辑的 Blender 模型
• 数据链接：案例数据(4.3GB)

---

阅读公众号原文：《GPT-6 Astra 做实景三维重建，我拿一套住宅试了试》