生图3D类

文本或一张图直出 GLB 网格：SEELE 开源 EVA01 生成权重，619MB 适配器、Apache-2.0，但别指望开箱即用

2026年11月1日0 次阅读
文本或一张图直出 GLB 网格：SEELE 开源 EVA01 生成权重，619MB 适配器、Apache-2.0，但别指望开箱即用

先说结论：10 月 30 日，SEELE AI 把 EVA01 的生成侧权重放上了 Hugging Face——一个适配器文件，619MB，Apache-2.0。给它一句文字描述或一张概念图，它走完三级流水线，直接吐出一个可以导出的 GLB 网格，属于游戏资产那种风格化模型。

这条消息的分量不在"又一个 3D 模型"，而在路线：EVA01 不靠"从 2D 图里猜深度再挤出壳"，而是把 mesh 当成一种原生模态，让理解和生成共用一套注意力。同一套模型家族，6 月放的是"看懂网格"的那一半（EVA01-2B-Instruct），这次放的是"做出网格"的那一半。

但有几件事必须先说清楚，免得下载完才发现踩坑：

  • 619MB 只是"适配器"，不是完整模型。真正要跑起来，还得自己凑齐 Qwen3-VL-2B、TRELLIS 的稀疏结构底座、TRELLIS.2 的 Shape-512 与 Material-512 两个 1.3B 流模型，以及三个解码器。
  • 官方一个显存数字、一个耗时数字都没给。 所有"几秒出模型"的说法，目前都没有官方出处。
  • 导出的 GLB 只有解码几何 + 顶点色，没有烘好的 UV、没有 PBR 贴图、没有重拓扑。想进 Unity / Unreal / Godot 当正式资产，后面还得自己补一道工序。
  • 生态还很早：仓库 12 颗星，权重 0 下载、0 点赞（截至 10 月 31 日晚核对）。没有托管 Demo，没有 ComfyUI 节点，也没有 fal / Replicate 的一键部署。

本文事实以官方仓库、模型卡和 Hugging Face 结构化元数据为准，部分使用边界与社区状态基于多家媒体转述整理并交叉核对。

3分钟看懂

  • 是什么：一个原生 3D 生成模型的生成侧权重。文本 → 3D 网格，或单张图 → 3D 网格，可导出 GLB。
  • 谁做的：SEELE AI（seeles.ai），做 AI 游戏制作工具的公司。技术上属 EVA01 家族，论文是 5 月的 arXiv 2605.16745。
  • 什么时候放的：适配器仓库创建于 2026-10-30 07:51 UTC（LoRA 版 07:54 UTC），对应仓库里 10-30 03:16 UTC 的那次 "Prepare OpenEVA inference release" 提交。
  • 多少钱：权重和代码免费，Apache-2.0。上游底座也都是宽松许可（Qwen3-VL-2B 是 Apache-2.0，TRELLIS.2-4B 与 TRELLIS-image-large 是 MIT），而且都不需要申请门禁——这点比上个月那些要登录接受条款的模型省事。
  • 要什么机器：一块 CUDA 显卡。官方只写了"需要 CUDA GPU、PyTorch 2.6+、Transformers 4.57+、flex_gemm、flash-attn"，没写要多大显存。
  • 最大的坑：文件下齐了也不一定能跑。运行时是"fail closed"设计——缺 CUDA FlexAttention、缺任一底座、tokenizer 版本对不上，它直接报错退出，不会降级。

它和"从 2D 猜 3D"差在哪

现在市面上大部分"图生 3D"，本质是拿 2D 生成模型的先验去做多视角想象，再把多视角拼成几何。这条路出货快，缺点是几何经常"看起来对、量起来不对"：薄壁变厚、平面变鼓、对称物体左右不对称。

EVA01 走的是另一条：把 mesh 当成一种语言。

  • 有一个专门的网格编码器（UND encoder）加连接层，直接把网格读进多模态大模型，而不是先渲染成几张图再喂进去。
  • 生成侧是 Mixture-of-Transformers：一个理解专家 + 一个结构镜像的生成专家，两者共享全局自注意力，靠"硬模态路由"决定这一步走哪条路。
  • 条件信号只有一个来源：Qwen3-VL-2B-Instruct 读你的文字或图片，压成 30 个槽位的规范条件向量，同时驱动后面三个阶段。

这套设计的好处是"同一个模型既会说、又会做"。坏处也明显：它把两个大模型的复杂度焊在了一起，部署门槛比单一 pipeline 高。

三级流水线：先占位，再长肉，最后上色

生成过程是固定的三段式，名字很直白：

  1. SS（Sparse Structure）：先决定"东西占哪块空间"。这一步用的是稠密的 TRELLIS1 稀疏结构潜变量，输出一个粗糙的体素占位。
  2. Shape-512：在占位里长出几何，分辨率 512。用的是 TRELLIS.2 的稀疏 Shape 潜变量，1.3B 的 flow 模型。
  3. Material-512：给几何上色。同样 1.3B，输出材质潜变量，解码后得到带顶点色的网格。

三段共享同一套坐标：Shape 和 Material 的稀疏坐标必须完全一致，否则运行时直接拒绝。这也是为什么它不能"先生成形状，再单独找个贴图模型补色"——耦合是设计的一部分。

619MB 背后的账单：你得自己凑六个零件

这是全文最实用的一段。适配器里只有 EVA01 自己的生成参数，其余全部要外部提供：

  • Qwen3-VL-2B-Instruct：条件编码器，读文字和图片。
  • TRELLIS text-to-SS XL（ss_flow_txt_dit_XL_16l8_fp16）：第一级的稀疏结构流模型。
  • TRELLIS.2 Shape-512（slat_flow_img2shape_dit_1_3B_512_bf16）：1.3B，长几何。
  • TRELLIS.2 Material-512（slat_flow_imgshape2tex_dit_1_3B_512_bf16）：1.3B，上材质。
  • 三个解码器：SS 解码器来自 TRELLIS-image-large（ss_dec_conv3d_16l8_fp16），Shape 与 Material 解码器来自 TRELLIS.2-4B（shape_dec_next_dc_f16c32_fp16、tex_dec_next_dc_f16c32_fp16）。
  • tokenizer 与归一化配置：EVA01 自己的 tokenizer，加上 TRELLIS.2-4B 的 pipeline.json。

粗算一下：光是两个 1.3B 的 flow 模型（bf16 下每个约 2.6GB）+ Qwen3-VL-2B（约 4GB）+ 三个解码器 + 适配器，静态权重大概在 10GB 上下。这只是权重，不含激活值和 KV cache。真实显存占用，官方没给，社区也还没有公开的跑分。所以"我的 12GB 卡能不能跑"这个问题，目前只能自己试。

好消息是许可干净：三个上游底座在 Hugging Face 上都不是 gated，不用登录、不用填表、不用等审批。

怎么用

环境是 Ubuntu 系。官方安装脚本会装 uv、建虚拟环境、装 PyTorch 和 CUDA 扩展：

```bash

git clone https://github.com/SeeleAI/OpenEVA && cd OpenEVA/EVA01

bash install.sh

source .venv/bin/activate

```

文本生成 3D，最简形态：

```bash

python generate.py \

--prompt "a small ceramic fox" \

--checkpoint /path/to/eva01-generation-adapter \

--tokenizer-root /path/to/eva01-unified-tokenizer \

--qwen-root /path/to/Qwen3-VL-2B-Instruct \

--ss-xl-stem /path/to/ss_flow_txt_dit_XL_16l8_fp16 \

--shape-stem /path/to/slat_flow_img2shape_dit_1_3B_512_bf16 \

--material-stem /path/to/slat_flow_imgshape2tex_dit_1_3B_512_bf16 \

--normalization-config /path/to/TRELLIS.2-4B/pipeline.json \

--output outputs/fox.npz

```

要出 GLB，再加三个解码器路径和一个输出路径：

```bash

--ss-decoder-stem /path/to/ss_dec_conv3d_16l8_fp16 \

--shape-decoder-stem /path/to/shape_dec_next_dc_f16c32_fp16 \

--material-decoder-stem /path/to/tex_dec_next_dc_f16c32_fp16 \

--output-glb outputs/fox.glb

```

图生 3D 就把 --prompt 换成 --image concept.png。注意：一次请求只吃一张图、一个视角，不是多视角输入。

输出到底长什么样

这点决定了它能不能进你的工作流。

  • .npz 里有三份东西：稠密的 SS 潜变量、稀疏的 Shape 坐标与特征、稀疏的 Material 坐标与特征。
  • GLB 是"解码后的几何 + 顶点色材质预览"。仓库原话是：不跑可选的拓扑修复，也不重网格。
  • 所以你会拿到一个面数不受控、没有 UV、没有 PBR 贴图、拓扑可能是三角面乱序的网格。

对独立游戏、原型、概念验证：够用，改改就能进引擎。

对量产资产、3D 打印、需要精确尺寸的工业件：不够用，必须重拓扑 + 展 UV + 重绘材质，等于把省下的建模时间又还回去了。

官方没说的三件事

  1. 没说显存。Qwen3-VL-2B + 两个 1.3B flow + 三个解码器，这条链路里任何一环都可能成为瓶颈。
  2. 没说耗时。仓库里连"约 N 秒"这种模糊说法都没有。
  3. 没说质量。没有 CLIP 分数、没有 FID、没有用户偏好测试。Gallery 里放的是几个游戏风格样例：青灰色机甲、石头城堡、皮卡、电吉他。

对比一下就知道差距：同一周开源的 SperidLabs Idol，官方给了完整的分卡耗时表（4090 19.1 秒、5090 14.1 秒、H100 6.7 秒）和峰值显存（7.2GB）。EVA01 目前这些数字全是空白。

一个必须指出的时间矛盾

仓库 README 的 News 区写着"2026-10-20 开放 EVA01 生成运行时"。

但代码提交记录显示，EVA01/generate.py 是在 2026-10-30 03:16 UTC 的那次 "Prepare OpenEVA inference release" 里才加进去/改出来的；两个 Hugging Face 权重仓库也都在 10-30 07:51 和 07:54 UTC 才创建。10-31 06:28 UTC 还有一次 "Update Hugging Face generation links"。

也就是说：10-20 可能确实在仓库里放了运行时的骨架，但权重真正可下载是 10-30。本文按 10-30 算发布时间。看到别处写"10 月 20 日发布"，那多半是照抄了 README 的 news 行。

适用场景

  • 独立游戏 / Game Jam：要一批风格统一的低模道具，能接受后期手工修，这条链路省时间。
  • 3D 资产原型：给美术一个"体积参考"，比手搓白模快。
  • 研究复现：想看 MoT 架构怎么把理解与生成统一，这是少见的开源实现，代码、评测脚本、Gallery 都在。
  • 网格理解侧应用：仓库里 6 月就放出的 EVA01-2B-Instruct 可以直接做"这个模型是什么、什么材质、什么结构"的问答，带 PointLLM-200 评测脚本。

哪些人不适合

  • 要 3D 打印的：没有水密性保证，没有尺寸标注，也没有单位。
  • 要直接进商业管线当量产的：无 UV、无 PBR、拓扑不可控，返工成本高于收益。
  • 只有 Mac 或纯 CPU 的：官方只支持 CUDA，运行时缺 FlexAttention 直接报错退出。
  • 想一键出图的：没有在线 Demo，没有 ComfyUI 节点，也没有 fal / Replicate 托管。必须自己配环境、自己下十几个 checkpoint。

避坑清单

  1. 别只下 619MB 那个文件就以为完事。它只是适配器，缺底座跑不起来。
  2. 解码器版本别混用。SS 解码器来自 TRELLIS-image-large，Shape/Material 解码器来自 TRELLIS.2-4B，混了会直接失败。
  3. CUDA 扩展要和 PyTorch 同源编译。flex_gemm、flash-attn 必须对着同一个 CUDA build 编，否则 import 就崩。
  4. tokenizer ABI 对不上会 fail closed，不是警告，是直接退出。
  5. 别拿 GLB 直接当成品。先看面数和法线，再决定要不要重拓扑。
  6. 图生 3D 只吃单视角。想要背面准确，还是得多视角重建那条路。

三条路线怎么选

  • 要"能转着看的真实感"：走高斯泼溅路线。像这周开源的 Idol，一张图出 100 万高斯，7.2GB 显存，速度快、观感好，但它不是网格，不能直接进引擎做碰撞。
  • 要"能编辑的网格"：走 EVA01 这类原生 mesh 生成。出来就是三角面，能改能绑，代价是后处理。
  • 要"今天就要交付"：走闭源 API。Meshy、Tripo、Rodin 都有现成管线，出四边面、带贴图、能自动绑定，按次付费。

没有哪条路全面胜出，取决于你缺的是时间还是控制权。

成本与时间预估

  • 钱：权重免费。真实成本是显卡和电费。
  • 下载量：适配器 619MB + Qwen3-VL-2B 约 4GB + 两个 1.3B flow 各约 2.6GB + 三个解码器（数百 MB 到 1GB 级），总计 10GB 上下，按你的带宽算。
  • 环境搭建：Ubuntu + CUDA + flex_gemm 编译，顺利的话 1~2 小时；踩到 CUDA 版本坑，半天很正常。
  • 单次生成：官方无数据。参考同类三级 cascade 管线，512 分辨率通常在数十秒量级——但这是推测，不是官方数字，别拿去写 SLA。

行动建议

第一步：先去 Hugging Face 看 SEELE-AI/EVA01-Unified-All-Task-Generation 的模型卡，确认自己机器有 CUDA 卡、有 10GB 以上空闲磁盘。

第二步：clone 仓库，只跑 infer.py 做网格理解（这条链路 6 月就稳了，依赖少），验证环境通不通。

第三步：再补生成侧的几个底座，先用默认参数跑一个 --prompt，看 .npz 能不能出。

第四步：加解码器路径出 GLB，丢进 Blender 看面数与法线，再决定值不值得接进管线。

如果你只是想快速出个能用的 3D 资产，这周更现实的选择还是现成的商业工具；EVA01 现在的价值在于"能改、能研究、许可能商用"，而不是"马上能交付"。

参考来源

  • Hugging Face 权重：https://huggingface.co/SEELE-AI/EVA01-Unified-All-Task-Generation
  • Hugging Face LoRA：https://huggingface.co/SEELE-AI/EVA01-Unified-All-Task-Generation-LoRA
  • 官方仓库（Apache-2.0）：https://github.com/SeeleAI/OpenEVA
  • 生成运行时说明：https://github.com/SeeleAI/OpenEVA/blob/main/EVA01/README.md
  • 技术报告：https://arxiv.org/abs/2605.16745
  • 第三方独立转述（交叉核对）：https://artrealmai.com/article/seele-eva01-open-text-to-3d-image-to-3d-generation-weights-glb

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...