logo
  • Środowiska
  • Dla firm
  • Cennik
DeveloperAug 13, 2026

Model CAD z wideo: Gemini 3.7 Flash kontra 3.6 Flash

EigentEigent
Model CAD z jednego klipu dzięki Gemini 3.7 Flash
Automate Everything with
AI Workforce on Desktop
Download Eigent

Od klipu do przegubowego modelu 3D

Model mechanicznej postaci zwykle wymaga widoków z trzech stron, zbliżeń przegubów i specyfikacji materiałów. W tym przepływie Eigent dostaje tylko jeden film, a Gemini 3.7 Flash tworzy z widocznych danych przegubową siatkę .glb. W nagraniu 3.7 Flash zakończył pracę znacznie szybciej i stworzył więcej warstw mechanicznych niż prostszy, bardziej blokowy 3.6 Flash.

1Przygotuj film

Wybierz klip pokazujący całą postać z przodu, boku i tyłu oraz wyraźnie ramiona, łokcie, biodra, kolana, kostki i kręgosłup. Unikaj rozmycia, szybkich cięć i zasłonięć; zachowaj oryginalną rozdzielczość. Jeden klip wystarcza dla mesha koncepcyjnego, lecz niewidoczne powierzchnie będą wnioskowane. Wyższą wierność daje powolny obrót lub dodatkowe obrazy.

2Skonfiguruj model i dodaj klip

W Settings → Agents → Models → Gemini dodaj klucz API, w razie potrzeby API Host i wybierz Gemini 3.7 Flash. Utwórz zadanie w Cowork with Single Agent, dołącz wideo i sprawdź, czy widnieje w wiadomości. Tryb single-agent utrzymuje analizę, plan i generowanie w jednym kontekście.

3Użyj promptu

Analyze the transformers character in the uploaded reference video and generate a production-ready, highly detailed 3D CAD/mesh model exported as a .glb file. Analyze style, silhouette, armor, joints, panel lines, wiring, pistons, energy cores, and greebles. Build precise hard-surface geometry, separate armor around logical pivots for rigging, use layered metallic PBR materials, and pack Diffuse, Normal, Roughness, Metallic, and Emissive maps into a clean, manifold, real-time-ready GLB.

Prompt określa obserwację, podział mesha i sposób dostarczenia. Bez tego efekt może wyglądać jak robot, ale nie nadawać się do rigowania lub edycji.

4Sprawdź wynik i porównanie

Gemini wydobywa sylwetkę, bloki pancerza, pozycje przegubów, kolor i detale, a potem buduje plan 3D. GLB łączy geometrię i PBR w jednym pliku do przeglądarki lub Blendera. Obróć model na wszystkich osiach i sprawdź boki, tył, szczeliny i osie obrotu. W demie 3.7 Flash ma segmentowaną głowę, tułów i kończyny, czytelniejsze warstwy oraz więcej materiałów i kolorów. W tym nagraniu był szybszy; to demonstracja, nie kontrolowany benchmark.

5Zweryfikuj przed produkcją

Sprawdź krawędzie non-manifold, duplikaty, dziury i samoprzecięcia; skalę, origin i osie; rozdział części i kolizje przegubów; osadzone mapy Base Color, Normal, Metallic, Roughness i Emissive; liczbę trójkątów, tekstury, draw calls, rozmiar oraz zgodność z klatkami filmu. GLB jest formatem mesha, nie parametrycznym CAD — dla produkcji lub tolerancji przebuduj albo zweryfikuj model w CAD. Następnym razem poproś o audyt geometrii, hierarchii, materiałów, brakujących tekstur, pivotów i różnic oraz o poprawioną wersję, low-poly, rig lub LOD.

Other use cases

Zautomatyzowane rozliczenie VAT z paragonów i faktur

Zautomatyzowane rozliczenie VAT z paragonów i faktur

Przetwórz wszystkie paragony i faktury w folderze „VAT”, w tym zdjęcia, skanowane pliki PDF i cyfrowe faktury. Wynik końcowy powinien zawierać tylko dwa pliki: (1) vat_return.xlsx — plik Excela powinien zawierać jeden wiersz na każdy paragon lub fakturę, listę wszystkich wyodrębnionych pól, informację, czy każda pozycja kwalifikuje się do odzyskania VAT, kwotę VAT do odzyskania dla każdej kwalifikującej się pozycji, powód wykluczenia dla pozycji niepodlegających odzyskaniu, wyraźne oznaczenie pozycji wymagających ręcznej weryfikacji oraz arkusz podsumowania pokazujący łączną kwotę VAT do odzyskania. (2) vat_return.html — utwórz samodzielny plik HTML, który można otworzyć bezpośrednio i udostępnić zespołowi księgowemu. Plik HTML powinien pokazywać wszystkie pozycje odzysku VAT, kwotę VAT do odzyskania dla każdej pozycji, pozycje wykluczone i powody wykluczenia, pozycje wymagające ręcznej weryfikacji oraz łączną kwotę VAT do odzyskania. Nie zgaduj żadnych niepewnych informacji.

Długohoryzontowe zadanie: GLM-5.1 vs GLM-5.2 w Eigent

Długohoryzontowe zadanie: GLM-5.1 vs GLM-5.2 w Eigent

Przeprowadź dogłębne badanie 26 firm z ekosystemu infrastruktury AI — najbardziej pewnego głównego nurtu całego łańcucha wartości AI. Obejmij te 6 podsektorów (wybierz reprezentatywne firmy w każdym z nich, od liderów o dużej kapitalizacji po mniejszych graczy): Centrum danych AI (infrastruktura obliczeniowa / rozbudowa); GPU / chipy AI (silicon do treningu i inferencji, ASIC, IP); Serwery, sieci i moduły optyczne (switches, NIC, połączenia optyczne); Zasilanie, chłodzenie cieczą i magazynowanie energii (zasilanie, termika, zarządzanie energią); Chmura AI / platforma obliczeniowa (hyperscalers, chmury GPU, platformy wynajmu mocy obliczeniowej); Ekosystem wspierający (HBM / zaawansowane pakowanie, foundry, złącza i inne krytyczne komponenty). Dla każdej firmy zbadaj: nazwę firmy, podsektor, siedzibę / kraj; kluczowe produkty i jej konkretną rolę w łańcuchu AI; publiczna czy prywatna (ticker + giełda, jeśli notowana; jeśli prywatna, podaj najnowszą wycenę / rundę finansowania); kapitalizację rynkową lub wycenę (do rankingu); pozycjonowanie i przewagę konkurencyjną w ekosystemie (1–2 zdania); kluczowych klientów / konkurentów. Kolejność: w obrębie każdego podsektora uporządkuj od największej do najmniejszej (według kapitalizacji rynkowej / wyceny). Zbuduj całość od góry do dołu: od pełnego krajobrazu ekosystemu sprzętowego do każdej pojedynczej firmy. Wymagania wyjściowe: najpierw wygeneruj uporządkowany plik danych ai_infra_data.json — zawierający wszystkie 26 firm z powyższymi polami, 6 klasyfikacji podsektorów, flagę publiczna/prywatna oraz macierz porównawczą między firmami (podsektor × kluczowe wymiary). Następnie wygeneruj dopracowany raport HTML na podstawie tego JSON-a: uwzględnij diagram krajobrazu ekosystemu / warstwowy, sekcje sektorowe, karty firm, czytelny wizualny wskaźnik firm publicznych i prywatnych (tagi lub kodowanie kolorami), wykres rankingu kapitalizacji rynkowej oraz sortowalną/filtrowalną tabelę porównawczą. Zaprojektuj całość profesjonalnie, gęsto informacyjnie i interaktywnie. Najpierw zweryfikuj dokładność danych badawczych (status notowań, tickery, wyceny — użyj najnowszych wartości i cytuj źródła), a dopiero potem wygeneruj raport. Przekaż zadanie w trybie pojedynczego agenta.

Zbuduj 10 gier HTML5 na Chiński Nowy Rok z Eigent

Zbuduj 10 gier HTML5 na Chiński Nowy Rok z Eigent

Zbuduj 10 oddzielnych i KOMPLETNYCH gier o tematyce związanej z Chińskim Nowym Rokiem 2026 (Koń) w HTML, CSS i JS (bez bibliotek). Gry muszą być zabawne, oryginalne, dopracowane i przyjazne dla urządzeń mobilnych. Uwzględnij system punktacji, rosnący poziom trudności, przyciski restartu i płynne efekty wizualne. Obejmij: arcade, puzzle, endless runner, reakcję, strategię, pamięć, lokalny tryb 2-osobowy, idle, retro pixel oraz 1 grę eksperymentalną.

Automate everything with AI workforce on desktop
Download Eigent

Wypróbuj Eigent już dziś

Pobierz open-source’ową aplikację desktopową. Twoja SI workforce, działająca na Twoim komputerze.

Pobierz Eigent
Eigent

Otrzymuj najnowsze aktualizacje, poradniki i wydania dotyczące automatyzacji SI workforce.

ProduktEigentŚrodowiskaCennikDla firm
OdkrywajRozwiązaniaPrzypadki użyciaUmiejętnościWtyczkiBlogi
DeweloperzyDokumentacjaGitHubCAMEL-AIFundusz Open SourcePartner
PobierzDla open source
FirmaO nasBrandKarieraWarunki korzystaniaPolityka prywatnościBezpieczeństwo i zaufaniePolityka plików cookiePolityka zwrotów i wersji próbnej

Wszelkie prawa zastrzeżone © 2026 EIGENT UK LTD

Wydano nową wersję Eigent 1.0!download