中/EN
开源项目
开源项目

img2threejs：图转3D生成代码而非mesh，Apache-2.0许可证

img2threejs/img2threejs（11315★，Python，Apache-2.0，昨日 push）把参考图里的物体重建成 code-only 程序化 Three.js 模型，token-efficient、animation-ready，reconstruction-by-code 非 photogrammetry/mesh。避坑：生成的是代码非 mesh、需 Three.js 运行时、规则物体强复杂有机体弱。

发布于 2026年8月12日9 分钟阅读
<!-- img2threejs-resource | open-source | img2threejs：图转3D生成代码而非mesh，Apache-2.0许可证 -->

img2threejs/img2threejs 是 2026 年 7 月中旬上线的开源图转 3D 工具，GitHub 11315 颗星（实时变动，以 GitHub 为准）、855 个 fork，Python 写的，Apache-2.0 许可证，当前 v1.4.4，最近一次 push 就在 2026-08-11（昨日活跃），未归档，homepage 是 img2threejs.github.io/img2threejs-showcase/。README 定位原话："Rebuild the object in a reference image as a code-only, procedural, quality-gated, animation-ready Three.js model. Token-efficient image-to-3D." 差异点：Meshy、Tripo 这些主流图转 3D 服务生成的是 mesh（GLB/FBX 文件），img2threejs 生成的是 Three.js 程序代码（.js）--它把图里的物体用程序化几何重建出来，不是摄影测量、不是 mesh 提取、不是素材包下载。Trendshift Python 日榜和周榜热门，Atlas Cloud 赞助。但避坑也在这：代码化路线意味着你需要 Three.js 运行时才能渲染，而且它擅长规则物体而非复杂有机体。本文把这条和另外几条坑一起拆开。

本文基于 img2threejs/img2threejs 的 GitHub README 梳理，事实截至 2026-08-11，星数实时变动。与本站 crush 资源盘、openclaw 资源盘 各管不同地盘--img2threejs 是 3D 生成工具，不是编程 agent；和 AI 编程套餐横评 互补但独立。

一、定位：图转 3D 的"代码化"路线，不是 mesh 生成

img2threejs 做的事一句话能说明白：你给它一张参考图，它输出一段 Three.js 代码，代码跑起来就是一个 3D 模型。注意--输出的是代码（.js 文件），不是 mesh 文件（GLB/FBX/OBJ）。README 原话划清了界限："reconstruction-by-code, NOT photogrammetry, mesh extraction, or downloaded art packs."（代码重建，不是摄影测量、不是 mesh 提取、不是素材包下载。）

这意味着什么？Meshy、Tripo 这类主流图转 3D 服务走的是"生成 mesh"路线：输出一个三角面片网格文件，你可以扔进 Blender、Unity、Unreal 里直接用。img2threejs 走的是"生成程序化代码"路线：输出的是 Three.js 的几何构建代码--用 BoxGeometry、CylinderGeometry 这些程序化图元加上参数组合，把图里的物体"搭"出来。两种路线产出物不同、适用场景不同、优劣势也不同（详见第三节对比表）。

技术栈很轻：工具端是 Python 3.10+ 标准库，没有 PyTorch、TensorFlow 这类重依赖；运行端是 Three.js（JavaScript 3D 库）。安装和运行门槛都不高，但你也别指望它像带 GPU 加速的 mesh 生成器那样吃显存--它根本不走那条路。

二、核心特性：五张牌

Code-only 程序化重建。 最硬的差异化。输出不是 mesh 而是 Three.js 代码，代码用程序化图元和参数把物体重建出来。好处是文件极小（一段代码 vs 一个几十 MB 的 GLB）、可编辑（拿到代码能改参数调形状）、可动画化（代码里直接写动画逻辑）。

Token-efficient。 README 明确标 "Token-efficient image-to-3D"，生成过程对 token 的消耗比 mesh 路线低。为什么重要？因为这让它特别适合被 AI agent 调用--agent 在工作流里调 img2threejs 生成 3D 资产，token 开销小、链路轻。这不是给人手动操作优化的，是给自动化流水线优化的。

Quality-gated。 生成流程带质量门控--不是出一版代码就完事，有质量检查环节确保输出达标。README 里 "quality-gated" 这个词说明它在生成和验收之间加了关卡。

Animation-ready。 输出的代码是"可动画的"。因为生成的是程序化 Three.js 代码，天然能加动画逻辑--旋转、缩放、位移、材质变化都能写进代码里。mesh 文件要加动画得绑骨骼或做变形目标，程序化代码加动画就是写几行 JS。

Python 3.10+ stdlib 工具链。 工具端零重依赖，Python 3.10 标准库就够跑。不需要配 CUDA、不需要装 PyTorch、不需要 Docker 拉几个 G 的镜像。对在服务器、CI 流水线、agent 环境里部署很友好。

三、和 Meshy、Tripo、编程 agent 怎么分地盘

最容易问混的是三层。Meshy 和 Tripo 是 mesh SaaS：你传图，它们返回 GLB/FBX mesh 文件，走的是 AI 推理生成三角面片的路线，强在复杂有机体（人物、动物、自然物体），输出直接能进 3D 引擎。img2threejs 是代码化：你传图，它返回 Three.js 代码，走的是程序化几何重建路线，强在规则物体（几何形状、建筑结构、道具），输出是可编辑代码。

crush、pi、openclaw 这些是编程 agent，地盘是"帮你写代码"的终端/IDE 自动化。img2threejs 不是编程 agent，它是 3D 生成工具--它生成的代码是 3D 模型描述，不是业务逻辑。一句话：crush 替你写业务代码，img2threejs 替你造 3D 资产，Meshy/Tripo 替你出 mesh 文件。

维度img2threejsMeshy / Tripocrush / pi
产出Three.js 代码（.js）mesh 文件（GLB/FBX）业务代码
路线程序化几何重建AI 推理生成面片LLM 编程
擅长规则物体·几何·建筑·道具复杂有机体·人物·自然物体代码仓库
可编辑代码可改参数mesh 需 3D 软件编辑代码直接改
依赖Three.js 运行时 + Python 3.10+各自平台账号各自模型 API
许可证Apache-2.0闭源 SaaS各自（FSL/MIT 等）

它们互补而非替代。常见组合：用 img2threejs 快速搭规则物体的 3D 资产（代码化、轻量、可动画），用 Meshy/Tripo 处理复杂有机体（mesh 路线擅长），各取所长。

四、上手：装好、喂图、出代码

装。 Python 3.10+ 环境，标准库够用、无重依赖。从 GitHub 克隆仓库或拉 release 包，按 README 指引安装。不需要配 GPU、不需要装 PyTorch。

喂图。 给一张参考图，img2threejs 分析图里的物体，用程序化几何在 Three.js 里重建。图越清晰、物体越规则（几何形状明确），重建效果越好。

出代码。 输出是一段 Three.js JavaScript 代码（.js），包含几何构建、材质、参数。拿到代码后需要 Three.js 运行时来渲染--可以嵌进网页、跑在 Node.js + headless 浏览器、或放进任何支持 Three.js 的环境。

整体上手：装 Python、克隆仓库、喂图、拿代码、接 Three.js 渲染。因为没有重依赖，环境搭建比 mesh 生成器轻很多。

五、避坑代价：五条必须知道的坑

坑一：生成的是代码不是 mesh，路线不同（最该读的一条）。 img2threejs 输出的是 Three.js 程序代码（.js），不是 GLB/FBX mesh 文件。你不能把输出直接拖进 Blender/Unity/Unreal 当 mesh 用--你拿到的是代码，得跑在 Three.js 环境里。如果你的工作流必须是 mesh 文件（游戏引擎导入、3D 打印切片），img2threejs 不是你的工具，去看 Meshy/Tripo。选型前先想清楚你要的是"可编辑的 3D 代码"还是"可导入的 mesh 文件"。

坑二：需 Three.js 运行时才能渲染。 输出是 Three.js 代码，你得有 Three.js 环境才能看到 3D 模型。做 Web 3D 的人这不是问题（Three.js 是 Web 3D 的事实标准），但不碰前端的人需要额外搭一个 Three.js 运行环境。如果团队技术栈和 JavaScript/Three.js 无关，接入成本要算进去。

坑三：procedural 代码化擅长规则物体，复杂有机体可能不如 mesh。 程序化几何重建天然擅长规则物体：几何形状、建筑结构、道具、家具这些有明确几何特征的东西。但复杂有机体--人物面部、动物形态、自然纹理--用程序化代码重建很难逼真，mesh 生成路线（Meshy/Tripo）在这块有明显优势。README 自己也没说它能重建人脸，定位是"rebuild the object in a reference image"（重建图里的物体），预期要对。

坑四：Python 3.10+ stdlib 无重依赖是双刃剑。 零重依赖是优点（装起来轻、部署友好），但也意味着没有 PyTorch/TensorFlow 这类深度学习框架的 GPU 加速。img2threejs 的程序化重建路线本身不需要 GPU 推理，所以这不是缺陷--但如果你期待它像 mesh 生成器那样用 AI 模型推理、用 GPU 加速，路线就不对。它是程序化重建，不是 AI 推理生成。

坑五（反过来的甜头）：token-efficient 让它特别适合 agent 调用。 生成过程 token 消耗低，这让 img2threejs 天然适合被 AI agent 编进自动化流水线--agent 调它生成 3D 资产，开销小、链路轻、输出是代码（agent 还能接着改代码）。比起调一个 mesh SaaS API 返回几十 MB 的二进制文件，agent 处理代码文本要顺手得多。Trendshift Python 日/周榜热门、Atlas Cloud 赞助，说明社区已经把它往 agent 工作流方向推。

适合：做 Web 3D / Three.js 的人，想要代码化、可编辑、可动画的 3D 资产；需要轻量级图转 3D 工具的人（无 GPU、无重依赖）；想把图转 3D 编进 agent 自动化流水线的人；需要生成规则物体 3D 模型的人。别凑热闹：你要 mesh 文件导入游戏引擎--Meshy/Tripo 更对路；你要复杂有机体的高保真重建--mesh 生成路线更强；你的技术栈和 JavaScript/Three.js 完全无关--接入成本要算清楚。

常见问题

**Q1：img2threejs 生成的是 mesh 文件吗？ A1：不是。它生成的是 Three.js 程序代码（.js），用程序化图元和参数把图里的物体重建出来。不是 GLB/FBX mesh 文件，不是摄影测量，不是素材包。如果你的工作流必须用 mesh 文件，看 Meshy/Tripo。

**Q2：输出需要什么环境才能渲染？ A2：需要 Three.js 运行时。输出是 Three.js JavaScript 代码，你得在支持 Three.js 的环境里跑--网页、Node.js + headless 浏览器、或任何 Three.js 兼容环境。不碰前端的人需要额外搭环境。

**Q3：能重建人物面部这种复杂有机体吗？ A3：不擅长。程序化几何重建擅长规则物体（几何形状、建筑、道具、家具），复杂有机体（人物面部、动物形态）很难用程序化代码逼真重建。这类需求 mesh 生成路线（Meshy/Tripo）更有优势。

**Q4：安装要装 PyTorch 或配 GPU 吗？ A4：不需要。工具端是 Python 3.10+ 标准库，零重依赖，不装 PyTorch/TensorFlow，不需要 GPU。因为它走程序化重建路线，不是 AI 推理生成，所以没有深度学习框架的 GPU 加速需求。

**Q5：1.1 万星，项目成熟吗？ A5：活跃但很年轻。2026-07-15 创建，2026-08-11 还在 push，未归档，当前 v1.4.4。Trendshift Python 日/周榜热门，Atlas Cloud 赞助，社区热度上升快。但项目才一个月，接口和文档可能还在变动，生产接入前建议自己跑一遍你的场景。

参考来源

本文由 AI 辅助生成，经人工审核编辑。最后更新：2026-08-12

常见问题

img2threejs 生成的是 mesh 文件吗？
不是。它生成的是 Three.js 程序代码（.js），用程序化图元和参数把图里的物体重建出来。不是 GLB/FBX mesh 文件，不是摄影测量，不是素材包。如果你的工作流必须用 mesh 文件，看 Meshy/Tripo。
输出需要什么环境才能渲染？
需要 Three.js 运行时。输出是 Three.js JavaScript 代码，你得在支持 Three.js 的环境里跑--网页、Node.js + headless 浏览器、或任何 Three.js 兼容环境。不碰前端的人需要额外搭环境。
能重建人物面部这种复杂有机体吗？
不擅长。程序化几何重建擅长规则物体（几何形状、建筑、道具、家具），复杂有机体（人物面部、动物形态）很难用程序化代码逼真重建。这类需求 mesh 生成路线（Meshy/Tripo）更有优势。
安装要装 PyTorch 或配 GPU 吗？
不需要。工具端是 Python 3.10+ 标准库，零重依赖，不装 PyTorch/TensorFlow，不需要 GPU。因为它走程序化重建路线，不是 AI 推理生成，所以没有深度学习框架的 GPU 加速需求。
1.1 万星，项目成熟吗？
活跃但很年轻。2026-07-15 创建，2026-08-11 还在 push，未归档，当前 v1.4.4。Trendshift Python 日/周榜热门，Atlas Cloud 赞助，社区热度上升快。但项目才一个月，接口和文档可能还在变动，生产接入前建议自己跑一遍你的场景。

相关文章

开源项目

DeepInfer 开源：155 万亿 Token/天，引擎还是工厂？

DeepSeek 于 2026 年 10 月 20 日宣布全面开源生产级推理框架 DeepInfer，这是第一次能拿到官方生产级引擎而不是对着论文自己拼：仓库 deepseek-ai/DeepInfer 采用 Apache-2.0，开放当日实测 17,902 stars、1,836 fork、188 个 open issue，同步放出的 Token 编解码组件 deepseek-recipe 则是 MIT 协议，两个仓库许可不同。官方自报性能数字全部需要标注为自报口径、目前无第三方复现：单集群服务吞吐 155 万亿 token/天（按谷价折算每卡每小时 38 美元）、首字延迟 400 毫秒、生成速度 230 tokens/s、96% 输入命中前缀缓存、Prefill 每卡吞吐由不计缓存的 6 万提升到 150 万 tokens/s；SWA Bounded Replay 把缓存未命中的重算量固定为最后 128 个 token，使 Prefill 总计算量近乎减半且成本与上下文长度无关；DSpark 推测解码最多 draft 5 个 token，线上吞吐再提升 6%，每卡每秒生成 14K token；MoE 专家副本每 10000 步动态重排，线上最忙的卡仅高出平均负载 9%。硬件覆盖英伟达 SM100 与华为昇腾 950 NPU 双栈，部署路径为 Python 3.12 虚拟环境加 DEEPINFER_ACCELERATOR 环境变量后从源码构建，默认拉取 DeepSeek-V4.1-Flash-1017 权重。但要讲清边界：官方明确 Prefill 与 Decode 分离、数据并行负载均衡以及 KVCache 管理层因与内部基础设施耦合过深尚未完整开源，拿到的是引擎而不是整座工厂；官方也未提供与 vLLM、SGLang、TensorRT-LLM 的横向基准。线上形态是 8 卡服务器承担 Prefill、64 至 128 卡超节点承担 Decode，KVCache 保留 72 小时以上以减少重复计算。

2026年10月22日10 分钟阅读
开源项目

大模型记忆长进身体里：288B 记忆原生模型开源

上海记忆张量（MemTensor）2026-10-20 发布业内首个记忆原生基座模型 MemT 1.0（据团队称）并开放权重：MemT-1.0-Flash（288B 总参/17B 激活/336M 动态记忆）与 MemT-1.0-Nano（36B 总参/3B 激活/10M 动态记忆），业内最大的开源参数化记忆模型。许可证破案（臣核 LICENSE 原文）：GitHub API 报 NOASSERTION，LICENSE 原文为 PolyForm Noncommercial 1.0.0——权重公开可下载但为非商业许可，商用需向团队另行授权，另附 LICENSE-PAPER 文件；多家媒体报道写「开源」，正文以 LICENSE 原文为准。记忆原生与传统三类记忆的区别：激活记忆（上下文+KV Cache，会话结束即消失）、参数记忆（微调才更新不可逐条编辑）、外部知识库（靠检索）——MemT 把历史编码为持续存在、可更新的内部状态，在选定 Transformer 层让注意力与参数化记忆并联，记忆成为前向传播的一部分；Gated DeltaNet-2 逐 token 稳定更新（擦除/写入/遗忘/输出四门控）、MoS 混合存储扩容（记忆专家稠密路由、容量独立扩张）；训练用 KL 蒸馏（教师读完整上下文、学生只看记忆状态、只优化记忆参数），训练语料 340 亿 token（网易口径）。基准（厂商口径）：11 项记忆基准 Flash 50.6 / Nano 47.0 列参数化记忆方法第一、第二，最强参数化基线 Temp-LoRA 38.1（高 12.5/8.9 分）；落后于自家 MemOS 文本记忆系统（保真度损失换可学习可扩展，如实并写）。SWE-bench Verified 500 题：66.07% 提升至 69.33%（执行前注入经验）/69.73%（执行中触发），三次全成功率 54.00% 提升至 61.6%/62.8%；Multilingual 60.00% 提升至 62.89%/63.56%。长历史效率（双 GPU 单并发固定 128 token）：128K 端到端提速 1.86 倍、持久存储约 1/66；256K 提速 3.99 倍、TTFT 104-112ms vs 传统 445ms；每会话记忆状态约 40MiB 较传统 5.06GiB 缩约 130 倍（1/66 对 KV cache、1/130 对传统完整方案，两口径并写）。长对话召回案例：65K token 对话 4K 精确召回、16K 正确答「我不知道」、64K 区分已确认与仅提议变更。部署时记忆状态与用户/任务轨迹绑定、序列化跨会话延续，原始文本不保留。方向：记忆驱动递归自我改进 RSI；与 MemOS 3.0 组合明文+参数化完整链路。仓库：github.com/MemTensor/MemT-1.0（实测 194 stars）+ HF/ModelScope 集合。与站内分工：hy-memory-2-0-opensource-resource（批 57）是外挂记忆框架（记忆在模型外），本篇是记忆原生模型（记忆长在模型里）——两条路线各开源了一个代表。

2026年10月21日10 分钟阅读
开源项目

AI 记忆框架开源第一：腾讯 3B 干翻 Opus 5

腾讯混元 2026-10-16 把 Hy Memory 2.0 三层全开源：模型层 Hy-Memory-30B-A3B（总参数 30B、每 token 激活约 3B 的 MoE，HuggingFace tencent/Hy-Memory-30B-A3B，arXiv 2610.22196）、SDK 层 hy-memory（PyPI 当前 2.0.3）与工具层 MemHub（CLI v1.0.3，npm memhub-cli 引导安装）。许可证破案：GitHub API 报 NOASSERTION（非标准文本），raw LICENSE 原文为 Apache-2.0 且带 Tencent 前言、无附加限制条目——本文以 LICENSE 原文为准。官方文档模型名混用「Hy-Memory-30A3B」与「Hy-Memory-30B-A3B」两种写法，以 HF 仓库实名为准。官方基准（厂商口径）：四套记忆系统对比 55.49 分第一，超过 Opus 5（54.62）与 DeepSeek-Flash（53.64），Qwen3-30B-A3B 仅 44.37；MemoryArena 55.31% 领先第二名 EverOS 10.2 个百分点；CodeMemoryBench 64.2%/35.6%；SWE-ContextBench 28.3%；LoCoMo 72.6% 且记忆 token 从 1159 降到 703（-39.3%）。内部业务验证（厂商口径）：自选股多跳召回 50% 提到 90%、iWiki 相对提升 48.6%。定位是「记忆写入工位替身」（智囊团解读，二手）：模型专门负责记忆写入与更新，理论上可挂在 Mem0、MemOS 等既有记忆系统下面干活。MemHub 工具数两口径并写：README 列 5 种，官方公众号稿称 10 种，以实际 CLI 输出为准。局限五条如实写：跑分为厂商口径第三方未复现、preview 阶段 API 可能变、MemHub 仅 Linux/macOS、模型 30B 级本地部署有门槛、英文文档尚薄。仓库地址：github.com/Tencent-Hunyuan/Hy-Memory（实测可达）。与站内分工：ai-agent-long-term-memory-sop（2026-08-08）讲 mem0/Letta 自建方案，本篇讲腾讯现成开箱方案。

2026年10月20日10 分钟阅读