دقت در تولید مدلهای سه-بعدی دیگر دربارهی نبودِ «شکستگی» در مدلها نیست، بلکه دربارهی تطابق میلیمتری دارایی تولیدشده با مرجع دوبعدی است. Meshy با معرفی Meshy 7، یک مدل بنیادی (Foundation Model)، به دنبال حذف خطاهای ظریفی است که در گردشکارهای تبدیل تصویر به سه-بعدی رایج است؛ خطاهایی مثل جابهجایی اندامها یا حذف خطوط حکشده روی سطوح که پیش از این در مدلهای مشابه نادیده گرفته میشدند.
به گزارش این شرکت، حوزه هوش مصنوعی سه-بعدی سالها با بحران ارزیابی دستوپنجه نرم کرده است. بیشتر مدلها بر اساس ترجیح انسانی یا مدلهای بینایی-زبانی قضاوت میشدند که اغلب نادیدهگرفتن نادقتیهای ساختاری را به قیمت «ظاهر مناسب» میپذیرفتند. این وضعیت باعث ایجاد یک سقف رشد شد که در آن داراییها معقول به نظر میرسیدند اما با تناسبات دقیق تصویر منبع همخوانی نداشتند. شکستهای اولیه — مانند ساختارهای بههمریخته، اعضای ناقص یا سطوح شکسته — اکنون در مدلهای پیشرو نادر شدهاند و به همین دلیل دیگر نمیتوانند به عنوان معیاری برای تمایز بین مدلهای برتر به کار روند.
مسئله همراستاسازی
Meshy استدلال میکند که شکستهای فعلی مدلها ظریفتر شدهاند. یک مدل ممکن است کاملاً درست به نظر برسد اما در بازتولید مرجع شکست بخورد؛ برای مثال، بدنی که کمی بیش از حد پهن است، دستی که از جای خود جابهجا شده است، یا یک خط حکشدهی خاص در تصویر منبع که در مدل نهایی بهسادگی ناپدید میشود. این شرکت این ویژگی را «همراستاسازی» (Alignment) مینامد و Meshy 7 دقیقاً بر اساس این معیار آموزش دیده و ارزیابی شده است.
در ۱۲ اوت ۲۰۲۶، Meshy برای حل این مشکل یک محک هندسی جدید معرفی کرد. بر اساس مستندات این شرکت، برخلاف روشهای قبلی، این محک از مدلهای سه-بعدی مرجع (که در دادههای آموزش نبودهاند) استفاده میکند، آنها را با دوربینهای مشخص رندر میگیرد و سپس خروجی هوش مصنوعی را مستقیماً با هندسه اصلی مقایسه میکند. در واقع هر تصویر آزمون، یک پاسخ سه-بعدی قطعی و صحیح دارد که اجازه میدهد خطاها با دقت ریاضی اندازهگیری شوند.
طبق اعلام شرکت، Meshy 7 در سه معیار کلیدی همراستاسازی، چهار مدل رقیب را شکست داده است:
- تناسبات کلی: ۸۱.۰٪
- توزیع فضایی: ۷۹.۷٪
- جزئیات سطحی: ۵۹.۸٪
متدولوژی محک
برای تضمین اندازهگیری صادقانه، این محک دو تصمیم طراحی حیاتی گرفته است:
- مقایسه مستقیم هندسه: سیستم بهجای مقایسه رندرهای نهایی، خودِ هندسه تولیدشده را با هندسه مرجع میسنجد. این کار باعث میشود سیستم از تخمین زدن دوربین منبع اجتناب کند و در نتیجه، خطای دوربین با خطای هندسی ترکیب نشود.
- همراستاسازی سختگیرانه: پیش از امتیازدهی، مدلها فقط از طریق انتقال (Translation)، چرخش (Rotation) و مقیاسبندی یکنواخت (Uniform Scaling) با مرجع تراز میشوند. سیستم هرگز مدل را در یک محور خاص نمیکشد (Stretch نمیکند) تا خطاهای تناسبی مدل توسط ابزار ارزیابی پوشانده نشود و نتایج واقعی باقی بماند.
این تستها روی مجموعهای متنوع شامل شخصیتها، وسایل نقلیه، مجسمهها و اشیایی با ساختار نازک (Thin-structure props) اجرا شده است. ورودیها در سه حالت بررسی شدند: یک نمای روبرو، یک نمای یکچهارم بالا (Raised top-quarter view) و ترکیبی از چهار نما.
سازوکار فنی
Meshy این پیشرفتها را مدیون سه تغییر معماری میداند:
- رمزگذاری چندمقیاسی: رمزگذار تصویر اکنون ورودیها را در مقیاسهای مختلف میخواند و رزولوشن بالاتری را میپذیرد. این امر تضمین میکند که اطلاعات ظریف شکل بهجای آنکه در فرآیند تولید میانگینگیری شده و حذف شوند، تا انتها باقی بمانند.
- بازسازی دادههای آموزش: هر نمونه اکنون دقیقاً با هندسه هدفش مطابقت دارد. تیم سازنده عناصر سبک، نورپردازی و پسزمینه را حذف کرد تا سیگنال هندسی خالص شود و مدل روی ساختار تمرکز کند.
- ردیابی یکپارچه: همراستاسازی هندسی بهجای اینکه یک ارزیابی نهایی باشد که در پایان اعمال شود، به یک سیگنال ردیابیشده در هر چرخه آموزش تبدیل شد. در نتیجه، قابلیتی که کاربران به آن اهمیت میدهند و عددی که تیم روی آن بهینهسازی میکند، اکنون یکی هستند.
تحلیل واریانس عملکرد
بیشترین برتری مدل در بخش «جزئیات سطحی» است؛ جایی که هیچکدام از مدلهای مورد آزمایش در حالت ورودی تکنما به ۶۰٪ نرسیدند. Meshy 7 در اینجا با ۵.۳ امتیاز فاصله، پیشتاز است و این حاشیه برتری بیش از دو برابر فاصله آن در دو معیار دیگر است. این برتری بهویژه در سناریوی ورودی تکنما — که رایجترین حالت استفاده کاربران است — مشهود است، جایی که Meshy 7 در هر یک از معیارهای فردی پیشتاز است.
وقتی چهار نما در اختیار مدل قرار میگیرد، فاصله عملکرد کاهش مییابد. اگرچه تمام مدلها در توزیع فضایی و جزئیات سطحی (ابعادی که بیشترین تأثیر را از هندسه پنهان میگیرند) بهبود مییابند، اما Meshy 7 همچنان برتری اندکی دارد، هرچند رقبا در فاصله حدود دو امتیاز به آن نزدیک میشوند. در مقایسه با نسخه قبلی، این مدل هم در هندسه و هم در بافت (Texture) پیشرفت کرده است، در حالی که بافت به عنوان یک معیار مجزا اندازهگیری شده است.
نمونههای کیفی
در نمونههای منتشر شده، در تندیسهای چهره، خطوط خنده هنگام لبخند عمیقتر و گونهها بلندتر میشوند در حالی که لباس و روسری ثابت میمانند. یک جغد مکانیکی با زرههای لایهای در بالها، چرخدندههای نمایان و پاهای نازک نشان میدهد که قطعات مجزا و در جای درست خود قرار دارند. همچنین در یک مدال یشمی، نقشبرجستههای متراکم و کمعمق بدون تکهتکه شدن، دقیقاً در عمقی که تصویر مرجع تعیین کرده بود، به صورت پیوسته حفظ شدهاند.
زمینه بازار
این عرضه در حالی رخ میدهد که سرمایههای کلانی به سمت هوش مصنوعی سه-بعدی سرازیر شده است. Meshy اخیراً در دور سری B نزدیک به ۴۰۰ میلیون دلار جذب کرد و به ارزش ۱.۵ میلیارد دلار رسید. این روند مشابه Tripo AI است که در ژوئیه ۲۰۲۶ مبلغ ۱۵۰ میلیون دلار جذب کرد تا صنعت به سمت تولید جهانهای تعاملی حرکت کند.
از منظر فنی، تغییر در متدولوژی ارزیابی، مفروضات این حوزه را تغییر میدهد. Meshy با فاصله گرفتن از «پذیرفتگی بصری» (Visual Plausibility) و حرکت به سمت «حقیقت هندسی» (Geometric Truth)، صنعت را به سمت دقت قابلراستیآزمایی در سنتز سه-بعدی سوق میدهد.
Meshy 7 از ۱۰ اوت ۲۰۲۶ برای تمام سطوح اشتراک فعال شد، هرچند دانلود مدلها نیازمند حساب Pro است. حالت Ultra در حال حاضر از تولید تکنما پشتیبانی میکند و پشتیبانی از چندنما بهزودی اضافه خواهد شد.
این شرکت قصد دارد ابتدا ابزار محک هندسی را بهطور جداگانه منتشر کند و پس از آن، یک محک اختصاصی برای همراستاسازی بافت جهت بررسی رنگ، متریال و الگوها ارائه دهد. انتشار عمومی ابزار محک (Benchmark Harness) را دنبال کنید؛ این اولین تست واقعی خواهد بود تا مشخص شود آیا برتری Meshy 7 روی مراجعی که توسط خود شرکت انتخاب نشدهاند نیز پابرجا است یا خیر.
گام بعدی شما
- اگر طراح سه-بعدی هستید، مدلهای تکنمای خود را با Meshy 7 تست کنید تا میزان تطابق با کانسپتهای دوبعدی را بسنجید.
- منتظر انتشار عمومی ابزار محک (Benchmark Harness) باشید تا بتوانید مدلهای مختلف را روی دادههای شخصی خود مقایسه کنید.
- بررسی کنید که آیا جریان کاری شما به تولیدات چندنما نیاز دارد یا دقت تکنمای Meshy 7 برای نیازهای شما کافی است.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو