近日，基于3D生成模型的三维部件分割研究论文《SegviGen: Repurposing 3D Generative Model for Part Segmentation》入选SIGGRAPH 2026 Journal Track。值得注意的是，论文作者名单中出现了北京航空航天大学、中国人民大学、清华大学、消费级3D打印厂商Bambu Lab拓竹科技等机构。

这是拓竹科技首次对外披露其3D生成大模型的研究进展，让3D打印行业的内容生成、模型理解和可制造工作流产生了直接关联。

其出现在论文作者名单中也释放出一个重要信号，其技术布局可能正从打印硬件、切片软件和模型社区，进一步延伸到3D内容生成、结构理解和可制造模型处理等更底层环节。

对于该技术是否会集成到现有软件生态，21世纪经济报道记者向拓竹方面求证，并未取得明确答复，其具体路线图也暂时不清楚。但从其参与顶会研究的深度来看，学术成果向产品端迁移或将是大概率方向。

从应用角度看，该技术未来可用于3D模型编辑、模型自动拆件、多色及多材料打印等智能化工具场景。例如，用户可以更方便地选中模型中的某个部件进行上色或零件拆分，从而降低普通用户从创意到实物的门槛。

值得注意的是，当前3D打印行业的AI化探索较多集中在应用层工具接入和流程优化，如接入第三方大模型、辅助模型搜索、提示词生成、切片参数推荐、打印流程问答等。

而SegviGen所代表的方向，已经深入AI 3D内容理解与生成模型的底层。它不是简单调用外部AI工具，而是研究如何利用3D生成模型内部的结构知识，完成对3D资产的部件级理解。

对于3D打印行业而言，未来竞争不只在于打印速度、精度和稳定性，也在于谁能更好地帮助用户获得、编辑并制造3D内容。SegviGen 所代表的方向，正是连接 AI 3D 内容生成与现实打印制造工作流的重要一步，也意味着拓竹科技可能正在围绕硬件、软件、模型社区和AI创作工具构建更完整的3D打印生态。

“2D升维”到原生3D，部件分割的路线之争

近期，拓竹科技旗下的创意数字实验室平台MakerLab宣布开启收费模式，核心原因是，3D生成AI工具能力大幅提升，使用量也随之激增。官方给出的说法是，“用户增长远超我们最初的预期，这不是一波尝鲜的流量，从去年10月到现在，MakerLab的流量持续在高速增长。”原本的免费补贴模式已经难以持续，同时也意味着3D生成正在被大众所接受。

用户量飞速提升的同时，AI生成出来的模型打印效果并不佳。“用户最大的抱怨是‘我让它生成个东西，出来的跟我想要的不一样’，以及‘生成是生成了，但打不出来’。”一名3D打印资深从业者向记者表示。

这便是研发人员需要攻克的两大难点。要理解这篇论文的价值，先要理解部件分割在3D内容生产中的位置。论文提出，部件分割提供了3D资产的显式部件级结构，是3D内容创作流程的核心原语，并为空间智能提供基础的3D感知能力，可支持部件级编辑、动画绑定以及3D打印等工业用途。然而，现有方法在分割质量上往往不足，容易产生错误区域和不精确的边界，限制了实际应用。

事实上，整个AI 3D行业的技术路径此前大多围绕“2D升维3D”展开，先生成物体的多视角图像，再建模成3D资产。这一模式存在不可逆的信息丢失，生成的模型难以真正应用于工业设计、游戏等对精度要求较高的领域。

具体到部件分割，一条路线是通过2D到3D的蒸馏将2D分割先验迁移到3D，但计算和时间开销巨大，且往往产生模糊边界；另一条路线则将分割模型应用于多视角投影图像以获得2D掩码，再反投影融合为3D掩码，但运行开销大、对视角覆盖敏感，且容易引入跨视角不一致。

最近，也有研究转向原生3D部件分割，直接在原生3D空间中预测分割部件。但这类方法的典型要求是收集具有精细部件标注的大规模训练数据集，细粒度标注成本高昂，且在粒度、层次和边界定义上跨来源不一致。

简而言之，现如今的方法都存在一定局限，包括2D先验与3D结构之间的不匹配，以及依赖从头开始的昂贵训练。

试水用“上色”的思路做“分割”

SegviGen 主要面向 3D 模型部件分割任务。与传统方法不同，该研究并非依赖大量人工标注的3D数据从零训练分割模型，也不是简单将2D分割结果投射到3D空间，而是复用预训练原生3D生成模型中已经学习到的结构先验，将3D部件分割转化为“部件级上色”问题，从而让模型能够把复杂3D资产拆分为具有结构意义的不同部件。

具体而言，模型将输入3D资产编码为潜在表示，并将其与任务嵌入和查询点一起用于条件化去噪过程，在重建底层几何的同时预测部件指示性颜色，每种颜色对应一个独立部件。在这一统一架构下，SegviGen支持交互式部件分割、全分割和2D分割图引导的全分割三种设置，其中第三种为SegviGen独有，支持任意部件粒度，这对工业应用至关重要。

从实验结果看，这条路线的数据效率相当可观。论文显示，SegviGen仅使用0.32%的标注训练数据，便持续超越此前最优方法P3-SAM：在交互式部件分割上，其反映单点击精度的关键指标IoU@1提升了40%；在无引导的全分割上，跨数据集平均后以15%的整体IoU优势超越最佳基线。

这一技术路线的提出，反映了拓竹科技对3D生成大模型的第一性原理的思考，其路径可参考自然语言处理领域的“大一统”变革。

“语言模型从各种任务用各种模型到最终大一统，我们认为3D模型早晚也会经历同样的技术变革。区别就像之前的NLP领域，问答、文献总结、意图识别这些都是独立的任务，要设计独立的算法，现在被LLM（大语言模型）统一，之前的3D分割也是独立于3D生成的，我们把它统一了起来。”一名熟悉拓竹科技3D生成模型进展的人士向记者表示。

用一个不是很准确的比喻，传统方案就像请两个工人：一个雕塑家负责捏泥人，一个解剖学家负责拆泥人。SegviGen的思路是：让雕塑家在捏泥人的时候，顺手用不同颜色的泥块捏不同部件，捏完一看，颜色已经标好了，不需要再请解剖学家。

值得一提的是，论文中提到仅使用0.32%的标注训练数据，这一极低的数据需求在实际应用落地中具有重要意义。但上述人士却相对谨慎，其表示，“论文是这样的，实际工程实现不会和论文一致，会有很多scale up(垂直拓展）的工作，具体还不方便透露。”

这也意味着距离成为真正可落地的产品，还需要大量工程工作，比如处理真实用户上传的复杂模型、优化推理速度、与切片软件对接等。用户距离一键生成、自动分色、直接打印的全自动闭环，可能还有一段路要走。