WorldClaw: transforme um prompt em um mundo 3D editável

WorldClaw recebe um prompt de texto aberto e produz um grande ambiente 3D com terreno conectado, regiões distintas e áreas locais povoadas. O terreno e os objetos permanecem como elementos separados da cena, em vez de serem incorporados a uma única imagem ou trajetória de câmera.

Cada objeto pode manter sua própria malha com textura e transformação de posicionamento. Isso permite exploração por qualquer ponto de vista, substituição de objetos, reutilização e exportação para workflows 3D convencionais.

O primeiro agente extrai apenas os requisitos indicados no prompt, como tema, regiões principais, objetos, estilo e posicionamento relativo. Um segundo agente de planejamento resolve ambiguidades e completa os atributos técnicos necessários para construir a cena sem perder a intenção original.

O resultado é uma especificação estruturada compartilhada pelos pipelines de terreno e objetos. Esse plano intermediário permite que o sistema preserve relações de longa distância enquanto diferentes agentes trabalham em partes distintas do mundo.

WorldClaw transforma o plano em um mapa de layout semântico e depois cria um campo de altura contínuo a partir de elevação, ruído e operadores de relevo específicos de cada região. Materiais e assets ambientais reutilizáveis são atribuídos com as mesmas máscaras regionais, para que montanhas, planícies, água, vegetação e outros elementos do terreno permaneçam conectados no espaço.

Um ciclo de renderização e revisão dentro do Blender verifica transições, escala de texturas, dispersão de assets, iluminação e artefatos visíveis. O agente de terreno edita apenas os parâmetros com falhas e renderiza novamente, preservando o layout regional mais amplo enquanto melhora a qualidade local.

WorldClaw não preenche cada metro quadrado com o máximo de detalhes. Um planejador regional seleciona áreas cuja função e terreno exigem conteúdo mais rico. Ele renderiza o solo local, cria uma imagem de composição adaptada ao terreno, separa as instâncias de objetos, reconstrói cada uma como uma malha com textura e recupera sua escala, orientação e posição no terreno.

Em seguida, agentes orientados por renders verificam qualidade, pose, tamanho e contato com a superfície. Assets fracos podem ser refinados com Hunyuan3D, enquanto o terreno e as transformações dos objetos são ajustados para reduzir elementos flutuantes, interseções ou apoios instáveis.

O resultado é uma cena 3D explícita, não um vídeo limitado a uma câmera. O terreno continua sendo uma superfície gerenciável, e os objetos regionais permanecem como instâncias de malhas com textura separadas. Essa representação aceita pontos de vista arbitrários, substituição por objeto, reutilização de assets e integração com pipelines conhecidos de conteúdo 3D.

Os exemplos oficiais incluem ilhas, assentamentos em cânions, vales nevados, campos de batalha no deserto, vilas, minas e ambientes vulcânicos. As vistas RGB, de máscaras de instância, normais e profundidade ajudam a revelar tanto a aparência visível quanto a estrutura interna da cena.

WorldClaw combina Claude Opus 4.8 para raciocínio dos agentes, GPT-Image-2 para geração de imagens, SAM3 para segmentação, SAM3D para reconstrução inicial de objetos, Hunyuan3D para refinamento de assets e Blender 5.1.1 como ambiente de execução da cena. Os mundos de demonstração informados foram gerados em um servidor com quatro GPUs NVIDIA H20.

O pipeline atual se concentra na construção e no refinamento visual da cena. Navegação, física, animação, hierarquias de objetos mais completas e integração mais profunda com engines em tempo de execução são apontadas como trabalhos futuros.