logo
  • 环境
  • 企业版
  • 价格
DeveloperAug 13, 2026

从视频构建 CAD 模型:Gemini 3.7 Flash 与 3.6 Flash 对比

EigentEigent
使用 Gemini 3.7 Flash 从一段视频构建 CAD 模型
Automate Everything with
AI Workforce on Desktop
Download Eigent

从一段视频到可关节化 3D 模型

机械角色通常需要正、侧、背三视图、关节特写、材质标注和尺寸比例。此工作流只给 Eigent 一段参考视频,让 Gemini 3.7 Flash 将可见信息转成详细、可关节化的 .glb 网格。

我们还以同一任务比较 Gemini 3.6 Flash。录制结果显示,Gemini 3.7 Flash 完成得更快,生成的机械层次也更丰富;3.6 Flash 的解释则更简单、更偏块状。以下是复现方法。

1准备参考视频

选择便于观察角色的片段:尽量持续展示全身,包含正面、侧面和背面;清楚呈现肩、肘、髋、膝、踝和脊柱;避免严重运动模糊、快速剪辑和遮挡,并保留原始分辨率。单段视频可生成可信的概念网格,但镜头未见的表面必然需要推断。若需更高保真度,请使用缓慢转台式视频或补充参考图。

2在 Eigent 中添加 Gemini 3.7 Flash

打开 设置 → Agents → Models → Gemini,输入 Gemini API 密钥,按提供商需要配置 API Host,并将模型类型设为 Gemini 3.7 Flash。保存后,在任务中选择该自定义模型。演示使用 Eigent 的单代理工作区,使视频分析、建模计划、文件生成和最终回复保持在同一上下文中。

3创建单代理任务并上传视频

在 Cowork with Single Agent 新建任务,附加视频,并确认文件已随消息出现。视频是角色轮廓、机械结构、颜色区域和可见关节的唯一依据。

4粘贴完整建模提示词

使用以下提示词:

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.

1. Video Analysis & Reference Extraction:识别机甲比例、轮廓、装甲、配色和机械美学;仔细分析肩部球形关节、肘部铰链、髋窝、膝部液压、脊柱分段和踝部枢轴,确保每个关节清晰可动;捕捉面板线、外露线缆、液压活塞、发光核心和机械小细节。

2. 3D Modeling & CAD Specifications:使用超高精度硬表面机械几何、Sub-D 或锐边 CAD 风格;在逻辑关节枢轴处分离身体和装甲部件,以便后续绑定或变形;采用高对比机械分层、轻微磨损和划痕。

3. Material & Shading (PBR):使用阳极金属、拉丝钢、深色钛和高光涂装;为眼睛、胸部核心和关节设置 Emissive 通道。

4. Output Requirement:导出 GLB,将 Diffuse、Normal、Roughness、Metallic 和 Emissive 纹理嵌入其中;保持干净拓扑、流形几何和实时预览性能。

该提示词同时限定了观察对象、网格组织方式和交付包装。没有这些约束,模型可能生成视觉上像机器人的对象,却难以绑定、编辑或在其他工具中预览。

5让 Gemini 分析并构建

任务开始后,Gemini 3.7 Flash 会把视频视为建模参考,识别轮廓、装甲块、关节位置、颜色区域和表面特征,再转换成 3D 构建计划。GLB 会把几何与 PBR 材质放入同一文件,可直接在浏览器 GLB 查看器中打开,或导入 Blender 进一步检查。

6检查 Gemini 3.7 Flash 的结果

在 3D 查看器中围绕每个轴旋转模型。演示中的 3.7 Flash 结果包含分段头部、躯干、手臂和腿部,肩部与肢体有更可读的机械分层,拥有多个颜色和材质区域,且部件划分使关节结构更清晰。不要只看正面;请检查侧面、背面、装甲缝隙以及主要关节枢轴的对齐情况。

7比较 Gemini 3.7 Flash 与 3.6 Flash

演示最后以相同 CAD 任务并排播放两种结果。3.7 Flash 在本次录制中完成速度更快,机械部件和表面变化更多,肢体与躯干分段更易辨识,颜色点缀和小型机械形体也更丰富;3.6 Flash 则较慢、构造更简化、更偏块状。

这是演示,不是受控基准测试。运行时间会受视频、提示词、提供商负载、工具链和输出复杂度影响。可得出的结论仅限于本任务:3.7 Flash 更快,且视觉细节更强。

8在生产使用前验证 GLB

“生产可用”应是验收清单,而非 AI 自动赋予的属性。用于绑定、动画、实时部署或制造前,请验证:

  1. 拓扑:非流形边、重复面、内部几何、孔洞和自相交。
  2. 变换与比例:真实尺寸、原点、前向轴和已应用的变换。
  3. 部件分离:装甲与身体是否在有用关节边界处分开。
  4. 关节与间隙:测试肩、肘、腕、髋、膝、踝、颈和腰的碰撞。
  5. 材质:确认 Base Color、Normal、Metallic、Roughness 与 Emissive 均已嵌入并正确连接。
  6. 实时性能:测量三角面数、纹理分辨率、draw call 和文件大小。
  7. 参考一致性:对照所有可用角度的视频帧,特别检查推断区域。

GLB 是网格交付格式,而不是参数化工程 CAD 格式。如需制造或严格尺寸公差,请在合适的 CAD 工作流中重建或验证。

9改进下一次运行

下一轮可要求 Eigent 同时输出验证报告:

Re-open the generated GLB and audit it against the original video. Report the triangle count, object hierarchy, material channels, non-manifold geometry, missing textures, joint pivot locations, and any visible differences from the reference. Fix critical issues and export a validated second version.

你也可以要求低面数实时版、带命名骨骼图的可绑定层级,或高低细节 LOD。这样第一版 AI 网格会成为实用 3D 资产流程的起点,而不是终点。

Other use cases

收据和发票的自动化 VAT 申报

收据和发票的自动化 VAT 申报

请处理“VAT”文件夹中的所有收据和发票,包括照片、扫描的 PDF 和电子发票。最终输出应只包含两个文件:(1) vat_return.xlsx——Excel 文件应为每张收据或发票包含一行,列出所有提取字段,显示每一项是否符合 VAT 追回资格,显示每个符合条件项目的可追回 VAT 金额,包含不可追回项目的排除原因,清晰标记需要人工复核的项目,并包含一个显示可追回 VAT 总金额的汇总工作表。(2) vat_return.html——创建一个可直接打开并与财务团队共享的独立 HTML 文件。HTML 文件应显示所有 VAT 追回项目、每个项目的可追回 VAT 金额、被排除的项目及其排除原因、需要人工复核的项目,以及可追回 VAT 总金额。不要猜测任何不确定的信息。

长程任务:Eigent 单智能体 Harness 中的 GLM-5.1 vs GLM-5.2

长程任务:Eigent 单智能体 Harness 中的 GLM-5.1 vs GLM-5.2

对 AI 基础设施生态系统中的 26 家公司进行深入研究——这是整个 AI 价值链中最确定的主线。覆盖以下 6 个子行业(每个子行业选择具有代表性的公司,从大型龙头到较小参与者):AI 数据中心(算力基础设施 / 建设扩张);GPU / AI 芯片(训练与推理硅片、ASIC、IP);服务器、网络与光模块(交换机、NIC、光互连);电力、液冷与储能(电源、散热、能源管理);AI 云 / 计算平台(超大规模云厂商、GPU 云、算力租赁平台);支撑生态(HBM / 先进封装、晶圆代工、连接器及其他关键组件)。对于每家公司,研究:公司名称、子行业、总部 / 国家;核心产品及其在 AI 链中的具体角色;上市或非上市(若上市,注明股票代码 + 交易所;若非上市,注明最新估值 / 融资轮次);市值或估值规模(用于排序);在生态中的定位与护城河(1–2 句);主要客户 / 竞争对手。排序方式:在每个子行业内按从大到小排序(按市值 / 估值)。整体结构采用自上而下:从完整的硬件生态全景 → 到每一家单独公司。输出要求:首先生成结构化数据文件 ai_infra_data.json——包含全部 26 家公司及上述字段、6 个子行业分类、上市/非上市标记,以及跨公司比较矩阵(子行业 × 关键维度)。然后基于该 JSON 生成一份精美的 HTML 报告:包含生态全景 / 分层图、行业分区、公司卡片、清晰的上市与非上市视觉区分(标签或颜色编码)、市值排名图表,以及可排序 / 可筛选的比较表。设计应专业、信息密集且具交互性。请先验证研究数据的准确性(上市状态、股票代码、估值——使用最新数据并引用来源),然后再生成报告。以单智能体模式提交该任务。

使用 Eigent 同时构建 10 款中国新年 HTML5 游戏

使用 Eigent 同时构建 10 款中国新年 HTML5 游戏

使用 HTML、CSS 和 JS(不使用任何库)构建 10 款彼此独立且完整的游戏,主题均与 2026 年春节(马年)相关。游戏必须有趣、原创、打磨完善、适配移动端。包含计分、难度递增、重玩按钮和流畅视觉效果。覆盖:街机、解谜、无尽跑酷、反应、策略、记忆、双人本地、放置、复古像素,以及 1 款实验性游戏。

Automate everything with AI workforce on desktop
Download Eigent

立即体验 Eigent

下载开源桌面应用,在本地用 AI 工作团队开始自动化。

下载 Eigent
Eigent

获取关于 AI 员工自动化的最新更新和教程。

产品Eigent环境定价企业版
探索解决方案使用场景技能插件博客
开发者文档GitHubCAMEL-AI开源基金合作伙伴
下载开源版
公司关于我们品牌加入我们使用条款隐私政策安全与信任Cookie 政策退款与试用政策

保留所有权利 © 2026 EIGENT UK LTD

Eigent 1.0 新版本发布!download