Hunyuan3D-Buffalo 1.0：可扩展3D生成、理解与编辑的统一多模态模型

近期图像生成领域的进展表明，统一多模态模型在整合理解、生成与编辑方面展现出潜力。然而，统一的3D建模仍受限于稀缺的多模态数据，尤其是缺乏大规模且几何一致的编辑数据。为应对这一局限，我们提出Hunyuan3D-Buffalo 1.0，一个在单一架构中支持3D理解、文本到3D生成、指令引导的3D编辑以及文本驱动的部件生成的统一框架。为实现可扩展训练，我们构建了一个规模达87M的3D多模态语料库，包含25M理解样本、50M文本到3D配对以及12M编辑配对，这些配对由Nano3D-v2生成。在架构上，该框架结合了Hunyuan3D-VLM用于语义、结构与空间理解，以及Hunyuan3D DiT用于高保真3D合成。VLM为生成提供多模态语义条件，而编辑与部件生成则额外以源对象表示作为扩散过程的调节条件，以保持其整体结构及未编辑区域。大量实验表明，Hunyuan3D-Buffalo 1.0在文本到3D生成和3D编辑基准上达到最先进或领先性能，同时展现出强大的理解与部件生成能力。我们的分析进一步显示，生成与理解均能提升编辑效果，验证了统一3D多模态训练的有效性。项目页面：https://tencent-hunyuan.github.io/Hunyuan3D-Buffalo1.0/