GPT-6 Astra 实测，Blender 刷屏之后还能怎么玩

模型正在接手更多复杂工具。

GPT-6 Astra 发布后的这几天，各个平台几乎都被它刷屏了。

新模型刚出来时，大家总喜欢找一些看起来足够难的任务去试探边界，这次画风变了，不少人开始主动寻找那些原本需要学习专业软件才能完成的事情。

尤其是Blender，在官方案例宣传之后，网上很快冒出了一大批类似尝试。

小编也跟着试了两次，第一次做的是一个月球探月机器人，参考图比较简单，主体是一台带履带的探测车，车身有机械结构和设备模块。

不需要任何提示词工程，把参考图交给 Astra，让它直接在Blender里完成建模就好。

一次生成的完成度已经足够高了，车身、履带和顶部结构基本都在合理的位置，虽然细节和参考图不可能完全一致，但作为一个可以继续修改的 3D 模型，它已经达到了可以用的程度。

这类物体往往生成一轮就能有不错的效果。网络上大量 Blender、Three.js 案例里，建筑、车辆、机械等硬表面模型出镜率极高。

原因并不复杂，这类对象的结构比较清楚，轮子该出现在车身附近，机械臂需要和主体相连，建筑也有相对稳定的几何关系。

模型只要抓住整体比例和主要结构，人眼就比较容易接受。

但把生成对象换成人物，情况就不一样了，第一轮出来的结果只能说勉强成形。

身体结构有了，头发和衣服也能辨认，但脸部很容易失真，手脚的细节也不稳定，身体比例稍微偏一点，整个人物就会显得非常奇怪，后续还有碰到拓扑、骨骼和动作等问题。

尽管多轮调整可能能够逐步修复缺陷，但也做不到像生成探月机器人那样，一轮就出合格成品。

如果确实想用 Astra 做人物，多给几个角度的参考图会更稳，正面、侧面和背面的信息越完整，后续调整也会轻松很多。

当然，如果目标是做一个可以继续做动作的角色，更推荐采用现成工具配合Astra。

角色模型可以先交给 Tripo 一类专门的 3D 平台处理，再让Astra进入 Blender 继续做骨骼、动作或者场景调整。

Blender 只是这波浪潮中最抢眼的一部分，浏览大量实际案例后会发现，Computer Use 反而更值得重点关注。

KEITO 做了个直观测试，让 GPT‑6 Astra 操控鼠标绘制自画像，整个绘制过程都由模型自己操控鼠标完成，不借助额外的绘图接口。

成品细节算不上精湛，很难打动专业画师，但整套操作过程很有看点。模型得实时盯着画布，规划落笔位置，绘制完成再依据画面效果迭代调整。

另一个案例更接近日常创作。

taiyaki 先自己画好线稿，然后把后面的工作交给Astra，让它直接打开 CLIP STUDIO PAINT 完成上色。

Astra 会创建图层，也会缩放画布和选择画笔，整个延时视频里，作者基本只是在旁边看着。

这个案例有意思的地方并不在画作水准，它展示了一套非常具象的合作方式。

创作者保留自己更在意的部分，例如线稿、构图和人物设计，重复性更强的后续处理可以交给模型。

不过对应的使用成本也显而易见，作者使用的是 100 美元 Pro 方案，并把推理强度开到最高，一次处理让额度由 78% 降到了 57%。

Astra 的消耗速度已经成了不少首批用户反复提到的问题。小编自己的感受也差不多，普通任务没有必要默认把推理拉到最高；

Medium已经足够覆盖很多操作和生成需求，把高档位留给复杂任务，实际使用会舒服不少。

除此之外，Victor Nunez 的在线钢琴案例更直观体现出Computer Use 的实际运行速度。

他先让 Astra 处理歌曲和琴键的对应关系，随后让模型直接操作在线钢琴。鼠标负责弹奏部分主旋律，键盘输入处理和弦以及节奏更快的按键，两套输入设备同步配合完成演奏。

这个效果一共经过了三轮调整，并非一句提示就直接完成，视频中呈现的点击、弹奏动作均为真实速率下的执行画面。

GUI操控能力并非全新能力，但以往速度拉胯，步骤一多就频频翻车，只有速度、稳定性到位，用户才敢交付完整任务。

这也是Astra很值得继续探索的一点。专业软件普遍菜单繁多、界面复杂，很多功能并没有便捷可用的API，更谈不上专门适配MCP协议。

Computer Use 给出了一套更朴素的解决方案：能调用接口就调用接口，能跑脚本就生成脚本，只剩图形界面就直接操纵键鼠。

Blender 的不少案例其实已经在混合使用 Python、MCP 和界面控制，模型会根据任务选择更省事的方式。

不出意外，网友Marc Ibrahim的演示延续了新模型发布后很常见的测试方式，让 Astra 参与构建一个可以玩的游戏。

不管是游戏还是 PPT 这类项目，都同时要求模型处理代码、画面与交互逻辑，运行之后还能产出大量即时反馈，因此非常适合拿来做综合能力验证。

相比之下，Ashe 的人体项目更有启发性。

她让 Astra 做了一个可交互的 3D 人体网站，调用 BodyParts3D 的模型数据，把男性人体拆成 2234 个独立部件。

用户可以拖动滑块逐渐拉开人体结构，也可以观察不同部位的位置关系。她此前还做过类似的 Tesla Model X 项目，把车辆拆成数百个独立部件。

很多复杂概念之所以难理解，一个原因就是我们很难仅靠文字和二维图片建立清晰的空间关系。

人体解剖就是典型例子，二维图片能告诉你器官大概在哪里，交互式 3D 模型则可以让人自己旋转和拆开。

这些案例也带来了另一个问题，AI降低了操作门槛，但专业知识依然很重要。

比如完全不了解 3D，用户甚至很难指出究竟哪里出了错，模型越擅长把任务做完，人反而越需要判断结果是否合理。

OpenAI这次也专门强化了长任务里的steering，用户中途追加新需求，模型能够顺着原有任务继续往下执行；碰到需要确认的问题，还会优先处理不受该结果影响的部分。

这会让 Prompt 更像控制任务方向的工具，写清楚要求依旧重要，但不用第一条就把所有步骤全部预设好。

人物建模方向仍存在大量待优化的空间，剪辑这类复杂度更高的创作任务，暂时也还无法完全交给模型处理。

接下来更值得关注的，可能是电脑里那些曾经需要专门学很久的软件，会不会因为这类模型，逐渐变成一句话就能调用的工具。

文章来自于“虾蛄AI”，作者“虾蛄内容部”。