当前位置：首页 >学院新闻

腾讯混元创新突破：首创美术级3D生成大模型，效率提升超七成

作者：像素空间发布时间： 2025-08-01 13:45:52 浏览量：0次

说明：文中所有的配图均来源于网络

日前，腾讯混元3D迎来重大升级，推出业界首个美术级3D生成大模型——Hunyuan3D-PolyGen。

该模型结合腾讯自研的高压缩率表征BPT技术，能够生成面数达上万面的复杂几何模型。其布线精度更高、细节更丰富，还同时支持三边面和四边面，可满足不同专业管线的多样化需求。基于此，混元3D资产可无缝应用于UGC游戏资产生成，显著提升美术师的建模效率。

目前，这一能力已在腾讯混元3D AI创作引擎上线（体验地址：3d.hunyuan.tencent.com），诚邀大家体验。同时，该技术也集成到腾讯多个游戏管线中，助力美术师建模效率提升超70%。该模型旨在解决3D资产生成中布线质量不佳和复杂物体建模困难的问题，提升美术师工作效率。

当前，3D生成算法在几何建模上虽有显著进展，但生成的模型与美术制作专业标准仍有差距，难以直接用于游戏开发等专业场景。主要问题有三：一是生成网格面数过高，动辄数十万，无法满足游戏实时加载与渲染需求；二是布线质量欠佳，网格布线杂乱，影响模型美观，还阻碍后续UV展开、骨骼绑定等环节；三是编辑难度大，生成结果为单一整体网格，难以拆分，限制了美术师后期编辑。为攻克这些难题，PolyGen进行了一系列技术创新。

算法框架

为实现3D生成从“可看”迈向“可用”，Hunyuan3D-PolyGen采用自回归网格生成框架。它借助显式、离散的顶点与面片建模开展空间推理，进而生成高质量、契合美术规范的3D模型。其核心流程（见图2）分三步：第一步是网格序列化，把网格的顶点与面片转换成Token序列，以此表示Mesh结构；第二步为自回归建模，以点云作为输入Prompt，通过自回归模型生成Mesh的Token序列；第三步是序列解码，将生成的Token序列反向解码成顶点与面片，最终重建出3D网格。

技术难点与解决方案

1、难点聚焦：对于复杂物体的建模

现有mesh自回归方法存在明显短板，表达一个面需9个token（一个面片含三个顶点，每个顶点对应三个坐标），mesh表达冗余度高。受限于有限的上下文窗口，该方法仅能对低面片（2k面以下）的简单模型进行建模，难以满足复杂物体的建模需求。

破局之策：自研高压缩率表征BPT

为提升可建模面数、实现复杂mesh建模，我们自主研发了高压缩率mesh表征BPT（Blocked and Patchified Tokenization）。通过精心设计block索引和patch压缩机制，让表达相同mesh所需的token序列大幅缩短，有效突破了现有方法的局限，为复杂物体建模提供了有力支撑，具体效果如下图所示：

block索引：精简顶点表征，降低token数量

将网格空间划分成多个block，把顶点的(x,y,z)空间坐标转化为(block, offset)索引坐标。如此一来，token数量能有效降低33%，从源头减少了数据冗余，为后续的压缩处理奠定基础。

patch压缩：优化面片组合，进一步削减token

把相邻面片组成patch（包含一个中心顶点和边缘顶点），减少相邻面片共用顶点的冗余。再结合共享block等技巧，token数量可进一步降低约41%。

通过上述BPT压缩算法，表征mesh的token数量可压缩74%，平均2.3个token就能表征一个面，大幅提升模型可建模面数。从下图能明显看出，相较于现有mesh自回归方法，该方法可建模的模型更复杂（可达2w + 面），细节也更为丰富。

2、难点聚焦：mesh自回归生成稳定性难题

mesh自回归生成面临的一大挑战是稳定性欠佳，同一模型多次生成的结果可能差异显著，如图5所示。这主要有两方面原因：其一，mesh生成容错率低，一个坐标生成错误就可能导致整体生成失败；其二，mesh的token序列较长，可达上十万，这无疑增加了出错的概率。

破局之策：引入强化学习后训练

为解决这一问题，腾讯研发了mesh自回归的强化学习后训练框架，如图6所示。该框架在预训练模型基础上开展后训练，精心设计稳定生成和美术规范奖励机制，以此引导模型生成更优结果。借助强化学习，模型生成“好结果”的概率得以提升，生成“差结果”的概率降低，进而有效提升了mesh自回归生成的稳定性，为高质量3D模型生成提供了有力保障。

效果对比

Hunyuan3D-PolyGen 与 Mesh 自回归 SOTA 算法对比

在 3D 模型生成领域，传统的 mesh 自回归方法在处理复杂物体时，常出现模型破损、细节缺失、布线杂乱无章等状况，严重影响生成质量。而腾讯推出的混元 3D-PolyGen 表现卓越，在生成的稳定性、细节丰富度以及布线质量等多个关键维度上，均全面超越当前表现最优的 SOTA 模型，为复杂物体的高质量 3D 生成提供了更优解决方案。