腾讯3D世界生成框架来了：一句话生成世界，支持修改编辑

智东西
作者 杨京丽
编辑 李水青

智东西8月13日消息，近日，腾讯混元3D团队推出3D开放世界生成框架WorldClaw，相关论文已于8月5日公开。用户输入一句开放式文本描述，WorldClaw即可生成可自由探索、可继续编辑的大规模3D世界。

▲WorldClaw的生成案例

WorldClaw采用由粗到细的Agentic 3D世界生成方式。多个Agent协作完成用户意图分析、场景规划和全局地形构建，再根据各区域的功能和地形条件，逐区生成建筑、车辆、植被等内容，并将其转换为可单独编辑、替换和复用的3D资产。

初始场景完成后，Agent还会根据多视角渲染结果，持续检查并修正物体尺度、姿态、悬浮和穿模等问题。

腾讯混元团队展示了四季村落、热带海盗岛屿、沙漠战场等生成案例，并将WorldClaw与SynCity、Marble、MajutsuCity、WorldGen和GPT-5.6 Sol进行了定性对比。结果显示，基于WorldClaw生成的复杂地形具有明显高差、连续边界和清晰的语义分区。

论文链接：

https://arxiv.org/abs/2608.05248

项目网页：

https://tencent-hunyuan.github.io/Hunyuan3D-WorldClaw/

Github地址：

https://github.com/Tencent-Hunyuan/Hunyuan3D-WorldClaw

一、先搭全局再填细节，四阶段完成3D开放世界生成

生成式模型已能根据文本生成图像、视频和3D对象，但生成一段“看起来像世界”的画面，与构建一个可进入、可继续编辑和使用的3D世界并不相同。后者还需要连续一致的空间结构，以及可独立编辑、替换和扩展的建筑、道路、植被等场景元素。

针对这一问题，WorldClaw采用Global-to-Regional（从全局到区域）的生成方式：先规划整体布局、搭建全局地形，再根据不同区域的功能和地形条件生成局部内容。

这套方法有三大技术亮点：一是先建全局地形、再逐区生成细节；二是通过语义布局控制山地、森林、沙漠等地貌的分布与组合；三是以真实3D地形的渲染结果为条件，生成与当地环境匹配的建筑、车辆和植被等内容。

WorldClaw生成世界的过程主要分成四个阶段。

▲Hunyuan3D-WorldClaw 场景生成的整体流程

第一阶段是意图分析和场景规划。WorldClaw首先理解用户想要的场景，将一句开放式描述整理为清晰的世界规划，明确场景包含哪些区域、采用什么地形、需要哪些物体，以及它们之间如何连接。

第二阶段是全局地形生成。系统根据规划生成整个世界的区域布局，并构建不同区域的地形、材质和环境资产，让山地、平原、森林和沙漠形成连续的三维空间。

第三阶段是区域对象生成。WorldClaw在全局地形上逐区生成建筑、车辆和植被等内容，并将图像中的物体转化为独立3D资产，再放置到相应的三维位置。

第四阶段是场景精修。初始场景完成后，Agent会从多个视角检查生成结果，识别物体尺度、姿态、几何质量，以及悬浮、穿模和地形接触等问题，并进行局部修改。

简单来说，这套流程就是先理解用户想要的世界，再搭建地形、填充内容，最后自动检查和精修。

二、多Agent协作完成，生成后还能自己找问题

一句文本通常只能描述世界的大致样貌，无法完整说明区域划分、地形参数和物体空间关系。WorldClaw首先使用两个Agent，将用户需求转化为可执行的场景规划。

其中，意图分析Agent负责提取用户已经明确给出的信息，如场景类型、视觉风格、关键区域、物体和空间关系，不主动补充用户没有提及的内容。场景规划Agent则在此基础上补全生成3D世界所需的信息，将区域、地形、物体及其关系整理成统一的场景规范。

生成地形时，WorldClaw会先准备一张划分不同区域的语义布局图、一套岩石和植被等可复用3D环境资产，以及一套草地、岩石、沙土等地表材质。后续生成过程均遵循同一套区域规划，避免地形、材质和场景资产各自生成、相互脱节。

▲地形生成与优化过程

系统随后通过PCG（程序化内容生成）构建3D高度场。不同区域采用相应的地貌规则，让山地形成自然起伏、沙漠产生连续沙丘、平原保持相对舒缓，并使不同地貌自然衔接。岩石、植被等环境资产的分布也会参考区域类型、局部高度和坡度，过滤过陡或不合理的位置。

地形生成完成后，地形优化Agent会重新渲染场景，检查地形形态、材质尺度、资产密度和区域过渡，再对局部问题进行修改，形成“程序化生成—渲染检查—Agent修正”的闭环。

填充区域内容时，WorldClaw不会一次将整个世界塞满，而是先挑选需要内容且地形条件合适的区域。系统将对应地形渲染成二维图像，并让图像生成模型在图中加入建筑、车辆和植被等内容，以此确定对象的外观和空间布局。

随后，系统利用SAM3分割图中的不同对象，再通过SAM3D将它们重建为独立3D网格，并校准每个对象的尺度、位置和朝向。每个独立生成的对象均可继续编辑、替换和复用。

▲对象精修原理

完成放置后，场景精修Agent会通过MCP接口连接Blender，根据多视角渲染结果检查对象。尺度或姿态不合理的对象会被重新调整，几何和纹理质量不足的对象则交由混元3D进一步优化。发现悬浮或穿模后，系统还可以调整对象位置，或在局部范围内抬升、平滑地形，让物体与地面稳定接触。

▲地形精修原理

三、可生成海盗岛、沙漠战场，场景对象均可单独编辑

腾讯混元团队还将WorldClaw与SynCity、Marble、MajutsuCity、WorldGen和GPT-5.6 Sol进行了定性对比。

▲WorldClaw与代表性3D场景生成方法定性对比

结果显示，WorldClaw能够生成具有明显高差、连续边界和清晰语义分区的复杂地形，保留全局地形与独立对象网格。同时，WorldClaw还支持自由探索及对象级编辑。

此外，腾讯混元团队展示了热带海盗岛屿和沙漠战场等代表性案例。

热带海盗岛屿案例中，WorldClaw生成了具有连续地形和明确区域划分的岛屿，并在其中布置了建筑、码头、植被和船只等场景元素。

▲热带海盗岛屿案例

沙漠战场案例中，WorldClaw在起伏的沙漠地形上生成了建筑、载具和环境设施等内容，形成了可自由探索的完整战场场景。

▲沙漠战场案例

结语：从生成3D资产走向构建3D世界

WorldClaw将全局规划、复杂地形生成、区域内容构建和渲染反馈串联起来，让大规模3D世界生成拥有了持续规划、生成、检查和修改的完整流程。最终产物由真实地形和独立3D资产组成，可以继续用于游戏引擎和内容生产。

随着基础模型的编程、空间理解和工具使用能力提升，Agent有望进入几何建模、材质与Shader构建、PCG、动画和交互逻辑等更多3D生产环节。3D生成也可能从“模型生成资产”逐步走向“Agent编程构建世界”，让创作者可以把更多精力放在定义想要创造的世界上。