（文/万肇生 编辑/张广凯）

近日，“多模态卷王”阶跃星辰，又双叒叕开源了一款大模型 —— Step1X-3D。

据阶跃星辰介绍，3D大模型Step1X-3D是该团队继图像、视频、语音、音乐等模态后，在多模态方向的最新成果。Step1X-3D 模型总参数量达4.8B，其中几何模块1.3B，纹理模块3.5B，通过数据基础与3D 原生两阶段架构，可生成高保真、可控的3D内容。

Step1X-3D生成的3D模型

同市面上其他3D生成大模型相比，Step1X-3D实现了对超500万原始数据进行严格筛选与处理，建立了包含200万高质量、标准化的训练样本库，有效克服了行业数据稀缺与质量参差的瓶颈。Step1X-3D还通过增强型网格-SDF 转换技术等方法，让水密几何转换成功率提升了20%。

在3D结构及纹理细节方面，Step1X-3D 采用先进的 3D 原生两阶段架构，解耦几何与纹理表征。其中，几何生成模型基于 FLUX MMDiT 结构和 Rectified flow 算法直接对 3D 表示生成进行建模，而纹理生成模型基于预训练的 Diffusion model，通过单视图和 3D 几何信息指导，生成多视角一致的纹理信息。

Step1X-3D 的原生 3D 架构

Step1X-3D的VAE-Diffusion整体架构在设计上与主流 2D 生成模型（如 Stable Diffusion）保持了高度一致性，从而能够无缝引入并应用成熟的 2D 控制技术，比如轻量化的 LoRA 微调。因此用户可以对生成 3D 资产的多种属性进行调控，让创作更精准地符合用户意图。

阶跃星辰介绍，团队自建了一个包含110个多样化测试用例的综合测试，对该模型进行了评估，结果显示Step1X-3D 在多项关键维度上均表现出色。

不同大模型的图生3D模型效果对比

其中，在衡量内容与输入语义一致性的核心指标CLIP-Score上，Step1X-3D 取得了当前所有对比模型中的最高分，为开源社区提供了极具竞争力的3D生成方案。

综合来看，Step1X-3D的开源，再一次体现了阶跃星辰独特的发展路径。

作为“大模型六小虎”中成立最晚的一个，阶跃星辰最初并不被广泛看好，一度只是被视为大模型的“最后一张船票”。但凭借基座模型的扎实功力和多模态领域的特色，如今的阶跃星辰已然站稳脚跟，目前已对外发布了20多款自研基座模型，并且由于几乎每个月都在发布新模型，也被称为“多模态卷王”。

至于为什么要坚持多模态路线，阶跃星辰创始人姜大昕近日接受媒体采访时认为，多模态正是实现AGI的必经之路。人工智能发展的过程中，要先有多模态融合和推理模型，才会有之后成熟的Agent。但当多模态理解生成一体化技术突破后，它的意义不仅在于改进现有Agent，还会在具身智能泛化和世界模型构建方面带来全新应用。

值得一提的是，在当下火热的具身智能赛道，3D数据稀缺正成为最大瓶颈之一，不少具身智能企业不得不自己研发从2D到3D的数据生成技术。阶跃星辰在3D生成领域的进展，或许也能找到更多的商业化空间。

不过，从生成3D图像到构建完整的物理仿真世界，还有很长的路要走。

姜大昕日前坦言，目前多模态模型还仅仅相当于大语言模型2017年以前的阶段。

姜大昕指出，当下的大模型还处于理解和生成两条路线独立发展、互相促进的情况，还没有突破理解生成一体化。多模态模型远未出现类似2017年谷歌“Transformer”级别的突破性框架诞生，“Transformer是2017年出来的，GPT-1是2018年”。

姜大昕指出，理解生成一体化又是一项非常综合的挑战，不但需要强大的语言和视觉进行理解和推理，还需要有生成能力。这也是为什么阶跃星辰一开始就布局非常完整的多模态路线，包括语音、图像、视频、音乐等多个方向。

“每条技术路线都经过几个月甚至半年的积累才发布一个模型，只是当你同时看这么多方向时，会觉得我们频繁发布新成果”，姜大昕表示，“我们也希望这样（集中力量攻克理解生成一体化），但不是我们不够聚焦，而是完成这项任务本身就需要多方面能力的支撑”。

本文系观察者网独家稿件，未经授权，不得转载。