Claude与GPT视频模型竞争Vibe World

（本文作者为 AI价值官，钛媒体经授权发布）

文 | AI价值官，作者丨星野，编辑丨美圻

9月，GPT-6 Astra和Claude Opus 5.5在视频创作领域展现出令人意外的能力，带火了一轮Vibe Video热潮。

Opus 5.5让创作者看到，只用一句提示词，大模型也能通过编写代码，制作二维动效、风格动画和轻量交互内容。GPT-6 Astra则直接操作Blender、Unreal Engine等专业软件，接管3D建模、场景搭建和空间规划等任务。

两个月后，看似分头发展的两条路线，正在游戏、互动内容等3D资产领域相遇。

11月9日，Anthropic发布Claude Fable 5.2。上线不到两天，X和Reddit上的创作者便用它制作出3D动画、写实场景和复杂物理模拟。

更引人关注的是游戏。创作者展示的案例中，Fable 5.2不仅制作出了接近3A大作视觉效果的射击关卡，还能从零编写模型、纹理、物理规则和交互机制，生成可以运行的3D游戏Demo。

从GPT-6 Astra到Claude Fable 5.2，通用大模型正加速进入3D内容生产。与此同时，Seedance、MiniMax等视频模型也在从视频生成向互动空间延伸。两类模型的能力边界开始重叠，AI创作的竞争随之从视频生成，扩展到游戏和互动内容的生产入口。

从Vibe Video到Vibe World，Fable 5.2一句话打造3A大作

这轮Fable 5.2创作热潮，最值得关注的已经不只是视频能力，而是Claude的代码生成能力开始从视觉内容，进一步走向搭建能够运行、能够交互的3D环境。

博主Tech Friend AJ制作的3D版“鹈鹕骑自行车”，展示了模型对复杂物体结构和运动关系的控制能力。Fable 5.2通过约4800行Python代码，在Blender中从零搭建鹈鹕与自行车，羽毛、骨骼、链条传动、动作和灯光均由程序生成。

最终画面中，鹈鹕能够自然地踩动自行车，双腿、车轮和链条相互配合，羽毛也会随着身体运动产生动态变化，已经具备完整的3D动画效果。

随后，这位创作者又让模型制作了一段鸟群动态设计视频。这次，Fable 5.2没有调用Blender，而是自行编写Python和GLSL渲染程序，模拟约4万只鸟的群体运动，生成约4600帧画面。鸟群在画面中形成大规模集群运动，个体动作与整体队形变化相互协调，展现出模型处理复杂3D动态场景的能力。

比起生成3D动画，3A游戏更能体现Fable 5.2这次的能力升级。

AI博主Matthew Berman让Fable 5.2尝试制作一款《战争机器》风格的游戏。初始提示词只有三行，要求模型使用Unreal Engine 5，制作一个在画面和玩法上接近原作的可玩关卡。

最终生成的是一个第三人称掩体射击关卡。玩家可以在街道和建筑之间冲刺、寻找掩体、探身射击，还能体验《战争机器》标志性的主动装弹机制。建筑、材质、灯光和人物动作共同构成了完整的战斗空间，整体视觉质感已经接近3A游戏。

如果说《战争机器》体现了Fable 5.2调用专业游戏引擎的能力，那么《Saltline》更进一步：它几乎完全依靠代码，从零搭建游戏世界。

Anthropic工程师Felix Rieseberg只给出一次提示词，让模型制作一款第一人称射击游戏。8小时后，一个可以在浏览器中运行的完整关卡便生成出来，API成本估算约550美元。

游戏发生在一座雨夜货运港口，起重机、仓库、集装箱和停泊的货船构成完整的工业环境。玩家需要切断三个通讯中继站，同时躲避无人机和四足机器人Hound。地面和金属表面呈现出潮湿的反光，集装箱上的油漆剥落后露出底漆和锈迹，机器人也有符合关节结构的行走动作。

模型通过数学函数定义物体和纹理，再编写Shader生成画面。整个游戏世界的视觉元素，都是由代码计算出来的。

与此前Opus 5.5参与制作的《小王子》游戏相比，这种变化也更加直观。

当时，独立创作者Sac花了16天，将《小王子》改编成一款可以在浏览器中探索的剧情游戏。作品更接近一部可以交互的3D动画电影，重点在于呈现风格化的场景和叙事体验。相比之下，Fable 5.2近期生成的游戏明显向写实3D靠拢，开始通过程序模拟更加丰富的视觉细节和世界规则。

从风格化叙事，到具有真实材质、光照、物理效果和交互机制的游戏世界，Claude的代码创作能力正在向更完整的3D内容生产迈进。

这种变化也体现在画面的实现方式上。此前Opus 5.5的代码创作案例大量使用SVG、Canvas等技术，更容易呈现出鲜明的动效感。到了Fable 5.2，模型既可以调用Blender这样的专业软件，借助成熟的几何结构、PBR材质、光线反射和阴影系统完成渲染，也可以直接编写渲染程序和Shader，自行生成模型、纹理和光照效果。

代码不再只是制作动效的工具，也开始成为搭建完整3D场景、模拟现实效果的生产手段。

调度专业软件，直接“编译”世界，大模型闯入专业3D生产

通用大模型进入专业3D内容生产，在今年已经成为愈来愈显著的趋势。

9月份，GPT-6 Astra发布并开放测试后，开发者社区很快涌现出大量实测案例。有人只提供一张蒸汽火车的旧图，就让Astra在Blender中重建出3295个可编辑物体；有人根据房屋照片还原室内空间，家具、电器一应俱全；也有人在Unreal Engine中逐街区搭建曼哈顿，制作出可以自由漫游的城市场景。

在OpenAI的官方演示中，Astra能够从文字需求出发，在Blender里完成建筑建模、材质和灯光，再将场景导入Unreal Engine 5，加入角色控制和交互功能，最终生成可自由探索的3D空间。社区里还出现了将角色建模、50根骨骼绑定和动画接入串联起来，最终在UE中运行的案例。

这些案例背后，Astra一项典型能力是Computer Use。它能够通过多模态视觉识别读取软件界面，再模拟键盘和鼠标操作，直接控制Blender、Unreal Engine等专业工具；遇到复杂任务时，还会结合代码完成建模、调整和跨软件导入。

换句话说，它可以像一名熟悉专业软件的数字创作者一样，在不同工具之间切换，把一系列操作组织成完整的生产流程。

相比之下，Fable 5.2则更突出代码本身的生成与组织能力。它不仅能编写Python脚本调用Blender，还可以直接使用JavaScript、GLSL等语言定义几何结构、材质、Shader和物理逻辑，甚至从零搭建渲染程序和游戏运行环境。

两者在3D创作上的侧重点由此显现出来：Astra更强调通过智能体调度成熟的专业软件，把现有工业工具组织成一条生产管线；Fable 5.2则进一步展示了直接用代码定义3D世界、生成视觉资产和编写运行规则的能力。

从Astra到Fable 5.2，通用大模型正在把推理、代码生成和工具调用能力带入专业3D生产管线。过去需要建模师、程序员和技术美术协同完成的工作，如今开始由一个模型统一理解需求、调用工具并组织执行。

从生成画面到可交互空间，Seedance们不再满足于做视频

在通用大模型沿着代码和专业软件这条路径向前推进时，视频模型也在寻找进入3D世界的方式，利用从海量影像中学到的视觉与运动规律，构建一个可以持续交互、响应用户操作的虚拟环境。

最初的尝试，是让视频模型更好地理解和利用3D空间信息。7月底推出的Seedance 2.5支持白模参考，用户可以通过无材质的3D模型提供场景结构、人物姿态、运动路径和摄像机角度，再由视频模型生成最终画面。

但字节显然并不满足于此。9月，彭博社报道称，张一鸣正在亲自督导字节一项实时空间视频生成模型的研发，目标是让虚拟环境能够实时响应用户操作。10月11日的抖音集团“2026美好奇妙夜”，则让这种探索以更直观的方式呈现在公众面前。

影视飓风Tim现场输入一句描述，系统能自动生成了一个可以自由探索的微缩3D房间。用户可以乘坐纸飞机在场景中飞行，随时生成新的物体，比如在杯子旁增加一把勺子，还可以让角色与勺子发生互动。演示中，用户甚至可以通过任意门，从一个空间进入另一个世界。

字节之外，其他团队也在快速推进这一方向，重点集中在用户如何控制和改变生成的内容。

一类探索解决的是“控制”问题。9月，腾讯联合新加坡国立大学、香港理工大学推出H3-World。它基于33B参数的MiniMax-H3视频生成模型做动作控制适配，研究团队使用约8000条游戏视频，只调整了基础模型约0.199%的参数，就让模型具备了角色移动、摄像机运动和连续动作控制能力。

用户不再只是告诉模型画面里有什么，而是能够指定角色什么时候做什么、摄像机怎样移动。视频模型已经学到的运动规律和场景知识，由此转化为对虚拟世界的连续控制。

9月，AI视频生成平台PixVerse发布R2。传统视频模型根据提示词生成一段固定时长的视频，R2则让生成过程持续运行。用户可以在场景中实时移动角色、调整摄像机，也能随时输入新的文字指令，改变环境、增加物体或调整角色动作。

在PixVerse展示的互动作品《Zero Mark》中，玩家遇到一只挡住去路的生物，对方要玩家送一份礼物。玩家选择送出一条龙还是一片叶子，会触发不同的回应，后续剧情也随之改变。整个过程不是提前录制好的分支视频，而是根据玩家的选择实时生成。

从Seedance 2.5用3D白模控制画面，到H3-World让用户持续操控角色和镜头，再到PixVerse R2和字节的实时空间模型让用户直接改变场景、剧情乃至整个世界，视频模型正在从生成画面，走向持续响应用户操作的互动内容。

模型从影像中学到的视觉和运动规律，不再只用于生成视频，还能支撑连续的场景变化和实时反馈。用户与AI生成内容的关系，也从观看一段视频，变成进入场景、参与其中，并影响接下来发生的事情。

两条路线开始正面交锋，争当下一代数字世界“造物主”

如果说Vibe Video的流行，让通用大模型切入了由视频模型主导的部分视觉创作场景，那么AI游戏、互动叙事和可探索虚拟空间的兴起，则让两类模型开始在更3D内容生产上展开竞争。

通用大模型的优势，在于能够通过代码和专业软件生产可编辑、可复用的3D资产。代码不仅能定义物体的外观，还能明确规定它们如何运动、碰撞和交互。重力、关节、碰撞检测、角色行为等，都可以转化为程序，交给游戏引擎执行。

理论上，只要现实中的物理规律和交互关系能够被准确形式化，就有机会通过代码建立相应的模拟环境。

视频模型的优势则来自海量图片和视频训练积累的视觉知识。物体外观、材质、光影、人物动作、摄像机运动和场景变化，都已经融入模型的视觉表征。OpenAI早期的Sora技术报告就展示过，模型在摄像机转动时能够维持场景的3D连续性，让被遮挡的物体重新出现，甚至模拟Minecraft的画面和基本操作。

不过，视觉上的连贯并不意味着物理规则已经被准确掌握。Sora的技术报告也指出，模型在玻璃破碎等基础物理现象上仍可能生成错误。这说明，视频模型已经学到相当丰富的世界动态规律，却还不能将这些视觉经验完全转化为精确的几何结构和物理规则。

由此也能看出两种技术路线的分野：通用大模型倾向于把世界拆解成可以编辑的资产和明确的运行规则，视频模型则利用从海量影像中学到的知识，直接生成画面及其动态变化。

两条路线的差异，还体现在成本结构上。评估AI游戏和互动内容的生产成本，不能只看单次生成的花费，还要区分前期生产和后续运行两个阶段。

通用大模型需要反复理解需求、编写代码、调用工具和修复错误，复杂任务会消耗大量Token。前文提到的《Saltline》仅生成一个游戏关卡，就耗时约8小时，API成本估算约550美元。不过，这笔成本主要发生在前期生产阶段：一旦标准资产和运行规则搭建完成，交给游戏引擎执行后，常规玩家操作不必每次都重新调用大模型。