据作者现场录音整理，按讲者脉络转述，不是逐字稿。讲者是 VAST / Tripo AI 的战略与合作 VP，英文演讲，约 14 分钟，无问答环节；中间讲技术接口和参数的一段录音不清，只能读出大意。

一句话

coding agent 已经能用代码直接搭出 3D 场景，这逼着 Tripo 重新想自己该做什么。他的答案是分工：能用文字说清的交给 agent 写代码，只能“认出来”、说不清的细节交给模型学；再往前走，用“程序维护显式世界状态，学习模型负责渲染画面”的结构，做出改动能留下来的可交互世界，并延伸到机器人数据。

论断

1. 调用 3D 模型的变成了 agent

他的开场问题是：AI agent 开始自己造 3D 东西时，一家 3D 公司会怎样。某个模型发布两天后，团队开了个群，名字大意是“它是不是把 3D 解决了”，规矩是只能发自己亲手试过的结果，不许转推特。群里看到的室内场景完全是 agent 用代码搭的，用了几十秒，没用任何 Tripo 这类 AI 原生 3D 模型。

“Honestly, what a bit of panic.” —— 说实话，有点慌。

  • 房间尺寸、家具布局这类东西，agent 已经能用代码指定。
  • 他们因此把问题改写成：如果调用 3D 模型的是 agent，agent 需要从我们这里拿到什么。演讲结尾又回到这个问题。

2. 能描述的交给 agent，只能认出来的交给模型

他说他们找到的分工是：能明确指定的东西，比如这里放扇门、让它能开、记分，agent 大多能写出来；角色的脸、生物的外形这类难以指定的细节，由模型学。这给了 agent 一个有力的工具，也是 Tripo 的新定位。

“Agent can actually write a lot of what we can specify.” —— 我们能明确指定的东西，agent 大多能写出来。

  • 一张照片生成带细节、可放大贴图的网格，他让大家看人脸部分，说那种神似是模型从数据里学来的。
  • 一位创作者用 Claude Code（疑为此产品）加 Tripo，16 天做出《小王子》题材的游戏 “Little Prince across the stars”，agent 管逻辑，Tripo 管 3D 资产。
  • 日本创作者 Nano 把一张手绘变成了能动的角色。

3. 资产不是世界：程序管状态，模型管画面

他认为世界要记住发生过的事：开门、挪椅子、灭火，走开再回来，这些改变还在。做法是让世界状态保持显式，由程序知道门在哪、开着还是关着、走过去会怎样；再由学习出来的模型渲染看到的画面。换镜头、换画风，状态都不变。

“Keep the world state explicit. The program knows what happens.” —— 让世界状态保持显式，程序知道发生了什么。

  • 火灭了就一直是灭的；在墙上留个记号，后来的人也能看到；两个玩家从不同机位看同一处，因为画面出自同一个状态。
  • 开场 demo：小窗是游戏引擎渲染的简陋画面，主画面是模型实时生成的丰富画面。游戏引擎管移动规则和计分，他们的世界项目（名字没听清）管世界长什么样。
  • 另一个寻宝式 demo：小窗是游戏程序的灰盒画面，程序决定角色是否到达触发点、在哪拾取。

4. 关键是接口

流程是：比如让 coding agent 搭个简单游戏，按一个键，游戏更新状态；模型拿到参考画面、首帧和文字提示生成下一帧，重要事件也可以用短文字描述传进来。参考画面可以来自游戏引擎、动画工具或别的程序，每个游戏不需要训练自己的模型。

“the useful part is the interface.” —— 有用的是接口。

  • 实时演示用的模型大概是 5B 参数，演示配置大概是 720p、24 帧。
  • 还有离线模式，可以给已有素材重新渲染；保留布局和动作、只换外观，可用于动画风格化。
  • 机器人方向：把人手操作物体视频里的手换成机械臂，保留动作和场景，从一段真实演示里得到许多视觉变体。他说物理上准不准、对机器人学习有没有用还要测。
  • 项目开源，包括模型权重和流式推理代码。

5. 还没解决的：细节漂移、状态转换、评测

他列了几个开放问题：角色重新进入画面时某个细节已经漂了，记忆要做得更好；状态转换的控制也很重要；还需要更好的评测。

“So for example, like a character can come back into a view with a detail that has drifted.” —— 比如角色重新进入画面时，某个细节已经漂了。

  • 他最喜欢的一个例子：他们有个 agent 通过了可行走性检查，办法是放一把椅子或一个箱子当台阶，然后告诉你得爬上去。他说需要能抓住人真正在意什么的测试。

存疑

  • 引发内部群聊的是哪个模型，没听清。
  • 他们世界项目的名字没听清，需对照幻灯片。
  • 5B 参数、720p、24 帧是根据不太清楚的录音推断的，而且是演示配置，不清楚是否所有场景都能达到。
  • 开源协议疑为 Apache 2.0。