顶级AI研究员的下一个机会在哪？

机器之心发布

9 月以来，全球顶尖大模型几乎都在秀 3D。

从 GPT-6 Astra、Claude Opus 5.5 到 DeepSeek V4.1-Flash-1017、Kimi K3.1 Pro，三维创作正在成为展示模型能力的新场景：一句话搭建房间，用代码构造机械装置，甚至直接生成可以操作的 3D 网页。随着编程与工具调用能力进步，过去需要在多款专业软件之间辗转的工作，开始被串进一段自然语言驱动的流程。

当演示变成真正的创作，问题也随之变得具体。

角色能不能更像参考图？机械装置的部件能不能独立运动？生成的资产能不能顺利进入游戏引擎？第一版不满意，能否只修改其中一部分，而不必全部重来？

10 月 30 日，Kimi 官方公众号发布了一篇 3D 创作教程贴，文中提到，对于适用于人物、动物角色、雕像、怪兽和复杂道具等精细建模的网格化建模，K3.1 Pro 等大语言模型「暂时还做不太好」，为了确保良好体验，在用户发起人物、动物等更适合网络化建模的任务时，Kimi 会自己整理好提示词与参考图，并调用 Tripo 等模型来完成。

这揭示了一个正在发生的变化：大语言模型越能推进复杂的 3D 项目，对原生三维能力的需求就越具体。

Agent 可以规划任务、编写代码、检查运行结果，但它还需要足够准确、生成迅速、结构清晰的三维对象，才能继续编辑、控制和组织交互。代码智能与 3D 原生智能之间，正在形成新的协作方式。

对研究者而言，这也意味着一批新问题开始集中出现：三维结构应该如何表征？生成与编辑如何保持一致？模型怎样理解部件功能与空间关系？一个被生成的对象，又如何进一步进入持续演化、可以交互的世界？

Tripo 背后的公司 VAST（三启万物），正在沿着这些问题推进两条研究主线：一条是以 Tripo 为核心的原生 3D 生成与理解，另一条是以 Eden 为代表的世界模型探索。

近日，VAST 发布新一期 V・STAR 顶尖人才计划。在 3D 生成基础模型之外，三维理解与智能体、世界模型也被明确列为招募方向，面向 3D 生成、视频生成、LLM 后训练与 Coding Agent 等领域的青年研究者。

为什么是这些方向？又为什么有一批顶尖的年轻研究者，选择在这里开始自己的职业生涯？

答案藏在模型走向用户的过程里，也藏在一些尚未成为行业共识时，就已经开始讨论和实验的研究问题中。

Agent 时代需要的 3D 基座模型

回顾近一年引发关注的「LLM+3D」项目，Tripo 是一个反复出现的名字。

独立开发者 Sac 用 Claude、Tripo 与 Blender 组成工作流，仅用 16 天，就将《小王子》中的星球变成了可以探索的 3D 场景，作品在 X 上收获上万点赞，并获得 a16z、Marc Lou 等顶级机构与 KOL 的转发；

开发者 @thebuggeddev 将 GPT、Codex 与 Tripo 结合，制作了可以在网页中查看和操作器官模型的 3D 人体解剖应用，后来被 OpenAI 联合创始人兼总裁 Greg Brockman 转发；

在 Anthropic 举办的 Claude Build Day 黑客松中，创作者 Holly 借助 Tripo 复原南禅寺中的五座大佛，以唐代木构建筑为核心的作品获得一等奖；

上海交通大学空间智能与虚实融合设计实验室主导的 “司图 SITU” 文化遗产智能体，则通过 Tripo 与 Kimi 的协作，三维重建了跨越千年的丝绸之路。

这些项目的题材不同，却共享着一条创作路径：大语言模型承担规划、编程与流程组织，Tripo 提供专业的三维生成能力，创作者再将它们组合成真正可以体验的作品。

支撑这种协作的，首先是基础模型能力。

从今年 3 月至今，Tripo 系列模型在累计超过 20 万用户投票的第三方评测榜单上，已连续 8 个月位居榜首。其中，H 系列持续刷新行业精度天花板，P 系列则是全球唯一能够在数秒内输出生产级网格的 3D 大模型，从另一条路径贯彻 “生成即可用” 的底层哲学。

今年 3 月，VAST 推出 Tripo P1.0，并于 9 月更新 P2.0，后者能够在数秒内直接生成以四边面为主、面数可控、部件拆分更合理的 3D 对象。

这些特性对普通观看者未必显眼，对开发者和 Agent 却很关键。

生成足够快，才能支撑 “生成 — 运行 — 检查 — 修改” 的多轮迭代；几何复杂度可控，才能适配网页、移动端与实时应用的性能预算；拓扑更规整，才能减少后续编辑与动画制作的障碍；部件拆分更合理，代码才更容易定位并操控对象的不同部分。

VAST 首席科学家曹炎培做过一个直观的实验：先用 P2.0 生成机械蜘蛛，再基于模型天然形成的部件结构，让 LLM 为独立部件命名、编写并调试运动逻辑，最终实现整只机械蜘蛛的部件级动画控制。

当 Agent 已经会写代码，3D 原生基座模型要补上的，是代码能够理解和操控的三维对象。

从生产需求出发

重构生成方式

要获得这样的结果，不能只在生成结束后增加一道处理工序。

过去，AI 生成的模型即使外观不错，也常常需要重新整理网格结构，才能进入后续制作。尤其在编辑、细分和动画形变中，四边面拓扑有重要价值，但手工重拓扑耗时，自动处理又可能损失细节或产生不稳定结果。

P 系列底层算法框架 Nexus 的选择，是把问题提前到生成阶段。

不同于此前行业默认的将三维网格转化为序列、逐步生成的路线，Nexus 将顶点与拓扑的生成解耦，通过扩散模型由粗到细构造顶点，并以新的编码方式表达拓扑关系，实现无需预先排序的原生网格生成。相关论文被国际图形学顶会 SIGGRAPH 收录，基于 P1.0 的实时演示也获得了 SIGGRAPH 2026 Real-Time Live! 的 Best in Show 奖项。

在此基础上，P2.0 进一步支持原生四边面拓扑，让模型不必总是经历「先生成，再重做拓扑结构」的流程。

这条路线背后的取舍很清晰：不把生成质量简单等同于视觉细节或面数，转而同时考虑形状还原、生成速度、几何复杂度和下游可用性。核心目标是让它进入真实工作流后，仍然成立。

今天已经成为旗舰模型的 Tripo P 系列，最初却并不是一个被完整规划好的产品任务。

P 系列的核心贡献者 Ronnie 很早就来到 VAST 实习，毕业后正式加入。他记得，自己最初只是对一些研究方向感兴趣，并没有预设一定要做成什么产品。随着实验推进，这条探索逐渐发展为 P 系列，最终成为公司的一条旗舰模型线。

“当时并没有这样的目标，只是对这件事有兴趣，一步一步探索，最后拿到了这样的结果。”

这种成长不只发生在模型训练中。为了让研究成为产品，他开始频繁地与不同背景的同事沟通：怎样说明算法能做到什么，怎样理解用户真正需要什么，又怎样把能力转化为别人能够理解和使用的体验。

最让他印象深刻的反馈，来自今年 3 月的旧金山游戏开发者大会 GDC。

彼时，团队带着刚推出的 Tripo P1.0 参展。一位路过的游戏开发者看完演示，惊讶于它能做到的事情，表示此前没有见过类似的能力。对 Ronnie 而言，这个陌生人的反应，比许多抽象的评价都更直接击中了他。

几个月后，P2.0 发布，越来越多开发者开始分享自己的工作流。Ronnie 看着模型被接进不同的 Agent、用来构建自己未曾设想过的作品，再次感受到莫大的认可和价值感。

从一个研究兴趣，到旗舰模型，再到别人手中的创作方式 —— 这是 P 系列的成长轨迹，也是年轻研究者在这里能够经历的一条路径。

走在行业共识之前：

世界不能只有好看的画面

如果说 P 系列在回答 “一个三维对象怎样才能更好地被继续使用”，那么 Project Eden 提出的问题更进一步：

当这些对象被放进同一个可以交互的世界，世界本身该如何持续存在、不断演进？

以 Google Genie 3 为代表的动作条件视频模型曾广受关注：输入一段文字或一张照片，用户按下键盘、转动视角，模型就能生成下一帧画面。但这类模型本质上仍在预测「下一串像素」，模型对世界的全部「理解」，都被压缩在一段极短的历史画面里，一旦物体一旦离开镜头，再转回来时就可能消失。

今年 6 月初，针对行业内「什么都可以叫世界模型」的现象。World Labs 创始人李飞飞发表署名文章《A Functional Taxonomy of World Models》，提出由规划器、模拟器和渲染器组成的世界模型框架。

巧的是，就在这篇文章发布四天前，VAST 公布了自己的世界模型研究项目「Project Eden」，明确提出解耦的三层框架，把世界状态的演化和视觉渲染拆开：

• 持续演化的世界状态：记录物体的位置和属性、交互规则和动作后果，不依附于任何镜头而存在；
• 从状态到画面的接口：把当前状态转换成某个视角下的布局、几何和事件约束；
• 生成式渲染器：根据这些约束生成高保真画面。

此后，越来越多研究开始探索类似的功能分工。8 月以来，Code World Model、Magpie、Programmable World Model、GameDirector 与 CoDeR、AgentGarten、Matrix-Game 4.0、Streaming Code World Model、SolarRenderer 相继发布，NVIDIA 的 StreamRender-H3 也是思路相近的工作。它们都把世界状态交给代码、游戏引擎或智能体维护，再用视频模型生成画面。

10 月 18 日，VAST 开源了 EdenLive。这是行业第一个能根据任意视觉参考、实时生成不同风格画面的视频模型。在单张 GPU 上，EdenLive 能以超过 24 FPS 的速度生成 720P 画面，支持分钟级连续生成。其中 5B 模型可以在单张 NVIDIA RTX 5090 上实时运行。

视频链接：https://mp.weixin.qq.com/s/2QATdZQ4h0g-EIdnJAPgoQ

Zion 是 EdenLive 的核心贡献者之一，00 后，也是团队里最年轻的成员之一。VAST 刚成立时，他还在读研前的暑假，就来这里实习，做多视图生成和 3D 生成。后来他去一家大厂的大模型团队实习了半年，拿到了人才计划的留用机会，但最终还是在校招时回到了 VAST。

今年初，世界模型正热。主流做法是动作条件视频模型，即输入一张图片，再按键盘、点鼠标，实时生成新画面。VAST 算法团队也觉得这个方向有意思，但他们先问了自己一个问题：

以键鼠操作为条件的世界模型，到底有什么用？

“我们认为，要让它真正有用，必须有显式的世界状态。比如一款游戏，底层一定要维护血条、技能冷却这些状态，但之前的范式里没有。” 于是团队提出了分层解耦的路线：状态维护交给 Coding Agent 或引擎，视频生成只负责渲染。

这个方案起初也曾在内部被反复 challenge。

“第一个顾虑是，它和社区主流路线差别很大。只输入一张图加键鼠操作就能交互，端到端的做法似乎看起来更有技术含量。拆开之后，会不会显得不够新颖？是不是绕开了更难的技术问题？”

Zion 记得，讨论最终回到了最初目标和第一性原理：他们究竟想做一段能够响应操作的视频，还是一个有明确规则、能够持续交互的世界？

“不是只看某条技术路线实现起来难不难，而要看清问题更本质的东西。”

对于团队希望实现的可控交互，显式状态是重要基础。几个月后，行业的走向印证了这个判断。

比提出路线更难的

是让它持续运行

路线确定之后，仍有大量具体问题等待解决。

Zion 此前主要研究 3D 生成，真正动手训练实时流式视频模型，对他而言也是新领域。他先承担了底层研发框架的搭建，希望后续能够方便地接入新的视频基础模型，并快速验证不同的流式训练与蒸馏方法。

早期实验并不顺利。尝试了不同配置与实现之后，模型仍可能在生成到半分钟左右时出现画面漂移。

他不断定位问题，修复数值精度等实现细节，再结合更新的算法反复测试，才逐步得到能够保持质量的流式生成结果。这套研发框架，也成为 Eden 早期实验与 EdenLive 后续迭代的重要支撑。

前沿探索并不意味着所有事情都要由研究者独自承担。随着项目推进，公司为这一方向配备了数据与基础设施支持，并提供模型训练所需的算力。遇到难题时，团队成员可以直接讨论，提出下一步值得验证的方案。

对 Zion 来说，这段经历最重要的成长，是逐渐明确了自己为什么做研究。

过去，他更多是因为对某个方向感兴趣，或者看到一种新模型出现而开展探索。现在，他开始用两个更长期的目标组织自己的研究：交互与仿真。

三维内容如何支持新的交互体验？如何更高效地构建智能体与机器人需要的仿真环境？这些问题，让 3D 生成、Coding Agent 与世界模型之间的联系变得具体。

它们也解释了，为什么 VAST 希望吸引的不只是 3D 研究者。

拥有定义问题的自由

两条研究主线背后，有一种相近的工作方式：先判断什么问题值得解决，再寻找方法；允许提出不同意见，也允许实验推翻原来的设想。

对于每一个 VAST 算法同学而言，「研究自由」并非漫无目的，更重要的是定义问题本身。

Ronnie 认为，在 VAST 工作的重要动力，是团队尊重客观事实，也尊重科研过程。遇到问题，大家讨论的是如何解决，而不是要求研究必须按预设日期产生突破。

Zion 则用自己早期的一次探索解释了「允许试错」的边界。

在加入 Eden 之前，他曾尝试用 LLM 或 VLM Agent 结合 3D 生成来搭建场景。但当时的基础模型可能知道一个物体朝向不对，却无法稳定地将它转正。经过一段时间验证，这个课题被暂时停下。

暂停不等于否定研究者。团队会先以有限资源验证关键假设；结果符合预期，再继续投入；如果在小范围内就无法成立，则重新讨论问题定义与路线。

这是一种有判断、有阶段反馈的探索机制，而不是无限制地支持任何想法。

同样，机会也不完全由资历决定。

仍在读博的实习生 Stewie，来到 VAST 后参与了核心模型从数据到训练的完整流程。这超出了他的预期。过去在实验室，他更多关注论文中的方法与指标；参与线上模型之后，则需要同时面对用户需求、稳定性，以及那些很难被单一指标概括的体验细节。

让他最有成就感的时刻，往往是当某个数据集或技术方法真正解决了产品问题，让用户得到更好的生成结果，而不是多发了一篇论文。

有人愿意挑战你的想法

也有人陪你解决问题

算法团队成员 R 把这样的研究团队比作一支科考队。

面对未知，成员需要的不只是某项技术熟练度，还包括判断方向、理解产品、协同不同专业能力的本领。团队也不能只依赖一张事先画好的地图，因为有时连问题的边界，都需要自己发现。

他期待的伙伴，是「high capability、low ego」：能力强，但不把证明自己放在解决问题之前。

这种要求在 Stewie 的体验中，有一个更日常的版本。

遇到困难时，同伴们会分享自己的理解和技术经验，而不是因为专业不同就停止交流。有人提出问题，也有人愿意一起拆解。他因此能够把更多注意力放在问题本身，而不是担心自己是否「不够好」。

对他而言，VAST 团队的高人才密度并没有带来更强的 peer pressure，反而提供了更充足的支持：身边有人懂得你正在面对什么，也愿意帮助你往前走。

这也让「不内耗」不再只是一个氛围标签。它真正意味着研究者可以直接表达不同意见，可以跨团队交流实现方案，也可以在发现问题后主动承担责任，而不必先花大量精力确认这是不是自己的职责边界。

留下与自己有关的成果

几位受访者都曾接触不同规模的公司。他们并没有把自己的职业选择简化为 “大厂还是创业公司”。

Zion 明确表示，不同选择都有合理性。有人更看重成熟组织的支持与稳定，有人更看重研究方向和个人自由度。关键是先弄清楚自己的追求，再判断是否匹配。

R 更在意的，则是一个团队在具体领域能提供什么：能否接触前沿问题，与真正理解这些问题的人合作，并产出能够代表自己的成果。

P 系列从探索走向行业 SOTA，Eden 从路线争论走向开源发布并被行业认可，实习生完整参与核心模型训练 —— 这些经历都呈现出一种可能：在 VAST，年轻研究者不必等到资历足够深，才开始承担重要问题。

他们的研究可以被同行讨论，被开发者接入，也可以进入用户的日常创作。

这也是新一期 V・STAR 计划希望延续的故事。

目前，V・STAR 顶尖人才计划开放三个方向：

• 3D 生成基础模型研究科学家：从三维表征与模型架构出发，探索几何精度、拓扑结构、生成与编辑可控性的下一步突破。
• 三维理解与智能体研究科学家：面向多模态模型、LLM 后训练与 Coding Agent 研究者，推进三维理解、空间推理，以及复杂任务中的自主规划、执行与迭代。
• 世界模型研究科学家：围绕动态演化、长时一致与交互控制，探索生成质量、实时性和计算效率之间的新边界。

这些方向不只是三个岗位名称，也对应三类仍未解决的问题：如何生成真正可用的对象，如何让智能体理解并操作它们，以及如何让它们组成可以持续交互的世界。

VAST 希望候选人在至少一个领域有深入积累，同时愿意理解其他方向的新进展。比起单纯的论文数量，团队更看重一项研究是否带来了实质性突破，以及研究者能否说明：为什么这个问题重要，为什么选择这条路线，实验结果又如何改变自己的判断。

根据计划，入选者将获得从零推动项目、参与定义重点技术方向的空间；薪酬方案突破传统校招职级与薪资限制，特别优秀者上不设限，并配套长期期权激励。

当然，自由也意味着责任。这里不需要等待任务被充分拆解之后再执行的人，更需要能够提出判断、独立推进，也愿意在证据面前修正自己的人。

AI 越来越擅长执行和实现，人类研究者更不可替代的部分，或许正是判断什么值得实现。

当被问到如果再来一次，是否还会选择 VAST 时，Zion 的回答很直接：

“我应该会比当时更加坚定。”

他的理由并不宏大，反而非常朴素和具体：“当时期望的东西，在这不到一年里确实都得到了回应。”

顶级 AI 研究员们的下一个机会，未必只在最拥挤的赛道中心。它也可能出现在不同能力开始汇合、问题尚未被充分定义的地方 —— 那里既有值得长期投入的难题，也有空间让一个年轻研究者的判断，真正改变项目的方向。

而 VAST 正在寻找的，正是愿意一起定义问题、破冰远航的人。

（文中 Ronnie、Zion、R、Stewie 均为化名。）

以下为投递方式：

• 校招岗位： 面向 2027 届本、硕、博毕业生
• 实习岗位： 面向非应届在校学生（不限年级）
• 工作地点：北京 / 杭州 / 上海 / 深圳 / 海外远程
• 官方通道：https://tripo3d.com/vstar
• 投递邮箱： vstar.talent@vastai3d.com