文本生成3D要么逐个预测形状Token，速度慢且前面出错后难以修正；要么反复更新完整3D表示，计算量随精度增加。浙江大学、加州大学伯克利分校、武汉大学等机构提出Block3D，把形状序列切成连续块，块之间自回归、块内并行去噪。
在TRELLIS-500K的100个留出对象上，Block3D把平均端到端生成时间从微调Cube基线的25.71秒降到4.99秒，提速5.15倍，同时在论文采用的几何指标上保持竞争力。
从逐个Token改成逐块生成
离散3D生成器会把网格压成一串形状代码。传统自回归方法一次决定一个代码，1024个位置就形成很长的串行链；代码一旦提交，后面只能在错误前缀上继续预测。
Block3D把1024个形状位置分为连续块。模型仍按从左到右的顺序提交各块，因此保留清晰的因果依赖；进入当前块后，所有位置可同时查看块内上下文并行去噪。串行步骤由Token数量降为块数量。
项目页将多个生成资产组合进同一场景，并从不同视角渲染。
完成的前缀块会被冻结并缓存，后续不再重复计算。方法并未消除自回归暴露偏差：如果前一块整体错误，之后仍会受影响；它缩短的是顺序生成长度。
当前块提交前允许修正低置信度代码
并行填充块内位置虽然快，但多个位置可能互相依赖。Block3D使用置信度引导的块内修正：先把掩码位置填上候选代码，再重新检查已经填入但置信度较低的位置，在块冻结前替换它们。
每轮设置确定性的最小揭示配额，保证有限步数内所有掩码都会被移除。分类器自由引导负责提出候选，条件分支的概率决定是否接受，避免引导系数直接抬高阈值。
项目页视频帧展示了文本条件下生成的独立3D资产。
这种修正只发生在当前块。已经提交的前缀不会重新打开，因此计算量受控，也意味着全局结构错误不能无限回滚。
4.99秒成绩来自固定硬件与协议
实验在100个留出对象上比较几何距离、文本对齐和延迟。Block3D平均端到端时间为4.99秒，微调后的Cube基线为25.71秒。5.15倍是两者在论文配置中的比值，不是对全部文生3D系统的统一加速倍数。
同一生成流程可输出不同类别和几何结构的网格资产。
延迟会受GPU、块大小、去噪步数、解码器和网格复杂度影响。论文使用固定长度的Cube形状表示，其他3D表示若Token数量和解码方式不同，不能直接套用4.99秒。
定性比较中，Block3D在多组前后视图上保持了完整结构，部分基线出现缺面或畸变。作者也明确指出，结果限于选定数据和指标，尚未用大规模人工偏好证明所有生成物在视觉上更好。
应用与下一步：面向可编辑资产和低延迟3D流水线
分块结构天然提供局部编辑入口。给定已有前缀，系统可以只处理受影响的当前区域；结合边界框条件后，还可能控制资产尺寸和局部形状。项目页展示的网格可进入Blender等常见工具继续处理。
项目帧显示生成网格的细节和多视角一致性。
游戏原型、影视预演和机器人仿真需要快速生成大量候选资产，5秒级研究结果比几十秒更接近交互式迭代。但从单个物体到可直接使用的生产资产，还涉及拓扑、材质、碰撞体和版权审核。
下一步可以研究动态块大小和跨块回滚：简单区域用大块提速，细节区域用小块并允许有限修正。这样才能在速度、全局一致性和局部几何之间取得更细的平衡。
还需要补充跨数据集和不同显卡的公开测试，把编码、生成、网格解码分别计时。只有拆开端到端的4.99秒，开发者才能判断瓶颈来自模型计算还是资产后处理，并评估批量生成时的吞吐变化。
