最近，AI圈子里的朋友们可能都感觉到了，大家聊天的焦点，好像正从文生图、写小说，慢慢转移到一个听起来更高大上的词：3D世界模型。
要说3D世界模型为什么现在这么火，其实原因很简单。一方面，像Sora这样的视频模型，让我们看到了AI模拟真实物理世界的能力，给了大家很大的想象空间；另一方面，无论是机器人还是自动驾驶，AI要想真正派上大用场，就不能只当个"识别工具"，它得在"脑子"里有一个能模拟、能推演的3-D世界。可以说，应用需求到了，技术上也看到了苗头，它自然就火了。
那么，在现在这么火的情况下，到底哪些模型做得比较好，或者说最出圈呢？大家可能听过谷歌的Veo、国内的腾讯混元、一些专业的3D生成工具比如Tripo AI，也好奇像GPT、Claude 、Gemini这样的大模型在生成3D场景代码时表现如何。
GPT、Claude 、Gemini 3D场景效果对比
接下来，我们就抛开复杂的理论，直接带大家看一看，通过几个具体的测试案例，看下这些主流的3D生成技术和模型，到底实测效果怎么样。
1. 天坛运镜
细节拉满 vs 抽象几何
Prompt： 请生成一个HTML+Three.js的3D天坛祈年殿场景，包含蓝屋顶、红立柱、白台基等建筑特征。周围加入广场、草地、树木和天空，天坛前方有两个小孩在追赶奔跑。整体需具备动态效果（云朵移动、树木摆动、光影变化），支持鼠标拖拽和缩放，画面要求精致、干净、有沉浸感。
GPT、Claude 、Gemini 、豆包 3D天坛祈年殿
实测开箱 ：在天坛这一主题下，GPT-6 As****tra的整体完成度较为精细，不管是内容表现度还是交互体验都比较完整。它的几何结构和透视关系相对复合物理规律，抓取模型时的阻尼感也比较顺畅。不过在背景装饰（比如天坛周围的树木）上，排布缺乏一些自然逻辑，还有优化的空间。
Claude Sonnet 5.5 的画面整体风格有逻辑，色彩清爽，但在主体物（天坛）的刻画上不够细致，有些过于弱化了中心建筑的塑造。
Gemini 4 Argon 对主体物的刻画明显更好一些，细节更丰富，但它弱化了对背景物体的描绘；且在鼠标抓取3D模型时会有阻碍，交互不如GPT-6顺畅。
至于豆包 2.1 Turbo，整体画面相对较弱，在复杂结构和场景交互上有明显的简化倾向，场景和人物简单。
2. 雨夜街角
有人造微缩手办，有人直接黑屏隐身
Prompt： 请以单文件HTML形式，制作一个雨夜日式便利店街角小场景。以第三视角观察，像一个微缩三维模型。画面风格为三渲二，强调日式二次元动画氛围。需包含持续降雨、地面积水反光、自动门、店内陈设（货架、饮料柜、收银台等），整体呈现小巧、精致、可收藏的模型感，无UI界面。
GPT、Claude 、Gemini 、豆包 雨夜日式便利店
实测开箱：这关考验的是微缩景观的渲染和细节密度。（注：这里测试的是纯3D代码生成模型，之前测试中出现的Gemini 3.8 Flash属于视频生成范畴，不计入此列）。
GPT-6.1、Gemini 4 Argon 和 Claude Sonnet 5.5 的画面整体完整度都比较好。但论画面细节和质感，GPT-6.1 更胜一筹。它把便利店内部的收银台、货架商品、甚至门口的自行车都刻画得比较细致，底座切面和雨丝轨迹也清晰。不过，它在颜色渲染上更偏向雨夜的灰蒙质感，整体偏灰；而Claude Sonnet 5.5 和 Gemini 4 Argon 的色彩显然更鲜艳，盲盒感更强。
相比之下，豆包 2**.1 Turbo**并没有很好地完成这个模型，画面不仅黑屏，细节也较为朦胧粗糙，基本属于全凭想象力脑补的状态。
3. 温馨豪宅
有人带你赛博看房，有人甩VR渲染图
Prompt： 请开发一个完整可运行的第一人称居家生活场景。日式原木风，包含客厅、餐厅、厨房、卫生间和花园。要求有真实的物理材质（PBR）、柔和动态阴影、水壶蒸汽、洗衣机旋转等动态效果。支持WASD行走和碰撞检测，门可以打开，灯光可以点击交互。
GPT-6.1、Marble 1.1 、腾讯混元 World
实测开箱 ：尺度拉大后，底层逻辑的差异开始显现。GPT-6.1的整体完成度比较高，室内的卫生间、翻滚的洗衣机、烧水的水壶、甚至花园里的小狗，都严格按照Prompt要求做出了动态效果，交互体验比较流畅。
而 Marble 1.1 和 腾讯混元 World 2.1由于偏向静态3D模型展示，无法在动态交互上进行直接比对。单看画面塑造，混元的精细度相对更好；Marble虽然光影不错，但在一些墙壁和展示台的细节上塑造得有些糊，有一种"还没装修完"的粗糙感。
4. 特斯拉 FSD
降维打击，连车机UI都给你顺带写了
Prompt： 请用Three.js开发一个特斯拉Model Y自动驾驶可视化网页。要求车模完整，PBR材质。包含城市、高速、隧道、雨天等场景切换。模拟FSD环境感知可视化（车道线高亮、周围车辆3D感知框）。支持鼠标拖拽360°旋转、滚轮缩放，以及驾驶舱、鸟瞰等多种镜头切换。
GPT、Claude 、Gemini 、豆包 特斯拉Mode
实测开箱：特斯拉这个案例非常吃重动态交互和实时数据绑定（例如可切换白天/黄昏/夜晚、山路/高速/城市，并带有实时动态时速）。由于 Marble 和混元偏向图生3D/文生3D，输出的往往是3D高斯点云、碰撞网格等静态空间，里面没有角色也没有动态行为，因此很难直接做成带交互动效的3D模型。
在真正实现行驶场景的模型中，GPT-6.1 的塑造相对最好。它能真实根据特斯拉的汽车外形去建模，整体环境完成度高，鼠标抓取也很丝滑。Gemini 4 Argon 和 豆包 2.1 Lite 在汽车外观上的塑造就弱了很多，环境展示也比较粗糙，其中 Gemini 4 Argon 在抓取时无法顺畅展示全部角度，交互效果偏弱。Claude Sonnet 5.5 在这个场景中的整体完成度较弱，汽车外形不明朗，画面环境也不够清晰，还有很大的优化空间。
5. 实测看完了，业界怎么量化这些能力？
测完这些3D大模型，一个直观感受是：生成好看的画面，和能在里面自由交互，完全是两码事。
为了把这种凭直觉的感受量化，业界早有了专业基准。比如今年5月美团 LongCat 团队提出的 WBench（首个交互式视频世界模型多轮评测基准），刚好印证了我们的实测体感。它的核心发现包括：
-
画质好不等于能交互：画质和导航控制的相关性较低。模型"知道"世界长什么样，但并不理解自己在哪。难怪豪宅渲染得再美，如果缺乏底层的交互逻辑，也只能当静态图看。
-
多轮交互严重衰减：位姿误差不断累积，导航能力从第一轮到第四轮及以后，平均分下降了 33 点。
-
视角切换成瓶颈：四大交互中难度很高，平均分仅为 30.7。
此外，它统一了文本、相机姿态等不同输入接口，实现了公平评测，自动评分与人类偏好的相关性达到 0.94 以上，是了解世界模型技术边界的好参考。
想跑分或查看硬核指标，可前往主页：
📄 Paper ：huggingface.co/papers/2605.25874
🤗 **GitHub：**github.com/meituan-longcat/WBench
6. 总结
综合实测来看，代码造景在沉浸感和可玩性上处于领先位置，真正实现了让用户"走进去"并"操作它"。虽然各家模型在复杂长文本下依然有"黑屏"或"造出几何树"的翻车现象，但看到 GPT-6.1 交出的 FSD 和高精度豪宅，我们离"一句话生成一个可玩的 3D 世界"确实近了。
就像前文 WBench 数据所印证的，目前 AI 构建 3D 世界主要呈现两种倾向：一种是以 Marble、混元为代表的视觉环境生成，光影出彩但往往缺少底层交互；另一种则是以 GPT-6.1 为代表的代码逻辑构建，能通过代码搭出可漫游的完整场景。未来，这两条路大概率会走向融合。也许到那时，只需一个想法，AI 就能自动搭出一个完整且可交互的 3D 世界。虽然离那天还有段距离，但这波技术进步确实让人期待。