不是谁取代谁：把视觉模型借给它用

房间视频变成交互仿真，靠的不是硬啃，是借工具。 引帖把问题先摆开，大模型已经能从一段房间视频建出 Blender 场景，那 3D 视觉这套是不是完了。他们反着试了一手，把三个专门的视觉模型交给 GPT-6 调用，Pi3X 管几何，SAM3 分割，GVHMR 和 Kimodo 处理人物，最后从视频生成的交互仿真比原来更好。转发那句结论也跟着落定，配上 3D 视觉之后，GPT-6 稳得多。 各管一摊再借出去，这半句是全场重心。前面几篇讲的都是模型自己长本事，这条换了个思路，本事不够就租，跟前面把一整套给 agent 用是同一条路，模型当调度，专才当工具。跟前面那份一份定义两处用也对得上，接口立住了，谁都能被借。 "更稳"这个词也值得记。前面按兵不动那篇说的是方法论会被吃掉，这条给出正相反的一角，吃不掉的东西照样有位置，被借走的视觉模型就是。 我留的疑问有两处。三个工具各自的失败率没给，借出去之后错了谁兜没说；一段房间视频的处理耗时也没数。 想试的先拿自己拍的一段房间视频跑一遍，对比建出的场景和不带视觉工具那版差在哪。