同一个GPT-6，这一周在网上的口碑裂成了两半。
一边是刷屏的"神迹"：网易和人人都是产品经理9月8日刊出的保姆级教程里，作者用ChatGPT桌面版进入Codex模式，新建一个本地项目，让它自己下载安装Blender，然后一路对话，做出了完整的天坛模型，甚至给一辆摩托车做好了组装动画。人人都是产品经理9月7日的另一篇文章里，有人用GPT-6 Astra直接操控Houdini这种极度专业的特效软件做动画，有人把Tripo生成的3D模型导入Blender让AI接管拼装，还有人用Blender加Unity做出了一个小型游戏Demo。教程作者感慨，Blender可能是GPT-6上线后的最大受益者，连下载量都跟着涨了。
另一边是冷静的"翻车实录"：虎嗅9月8日发了一篇标题就叫《GPT-6 Astra不会让外行秒变专家》的实测文章，作者亲测了Blender和Audacity，原话是"都有点翻车"。他给出了一个被广泛转发的判断——AI是放大器，不是许愿池。
今天知乎热榜上那个"如何评价GPT6在Blender建模的水平两极分化"的问题，问的正是这件事。我把这一周的教程、实测和案例报道逐篇对了一遍，发现两极分化的根源，可能根本不在模型身上。
为什么同一个模型，结果天差地别
虎嗅那篇实测里有个观察特别扎心：公开案例通常只展示跑通后的结果，前面准备了什么、用了哪些插件和素材、失败过多少次，几乎看不到。你对那个行业完全不熟的话，可能连问题该怎么描述、结果错在哪里、下一步该改什么都不知道。
这就是分化的第一层原因：幸存者偏差。刷屏的天坛和游戏Demo，是无数次调整后被挑出来展示的那一次；而翻车的人不会发帖，他们只是默默关掉了软件。
第二层原因更深：建模这件事，AI替你跨过的是"操作门槛"，跨不过的是"判断门槛"。虎嗅作者说，面对AI的产物，他很容易说出"这里不够好"，却很难继续解释"怎样才算好"。会建模的人看到AI搭的场景，能立刻指出比例不对、布线太乱、光照方向反了，然后给出下一条具体指令；不会建模的人只能说"再好看一点"——这种指令，再强的模型也只能靠猜。
所以GPT-6放大的是你已有的东西：懂行的人被放大了效率，不懂行的人被放大了茫然。模型没变，被放大的人不一样。
外行怎么下场才不翻车
如果你也想试试让AI帮你建模，从这周的报道和实测里，我整理了几条能落地的做法：
从你判断得了的东西开始。 别一上来就要"天坛"，先做一个你天天见、比例烂熟于心的东西——一张桌子、一个杯子。因为只有你判断得了对错，你才能给出有效的下一条指令，对话才能滚起来。
用参数代替形容词。 "好看一点""大气一点"是许愿，"高度改成1.5米""灯光换成暖色、从左上45度打"是指令。给模型的信息越具体，它回报的就越靠谱，这个道理在建模和写文章上是相通的。
把任务拆碎，一步一步来。 教程里天坛也不是一句话生成的，而是搭地基、起柱子、铺瓦片逐步对话出来的。一口气说"给我做个大片"，等于让AI盲猜你的脑子。
留着AI生成的脚本和日志。 虎嗅作者提到一个容易被忽略的细节：AI操作工具时会留下大量脚本、日志和中间文件，这些未来可能成为比成品更可靠的原创证明。对你的实际好处是——下次想复现或微调，直接让AI改脚本就行。
顺便说一句，"把模糊愿望拆成具体指令"这套功夫，不只建模用得上。我在spark1.cn的工具链页面（/toolchains）整理写作和办公任务时也遵循同一套逻辑：先想清楚"怎样才算好"，再开口让AI干活。
人人都是产品经理那篇文章里提到独立游戏《神之天平》：制作人KEIZO一个人花了15年才做出来，美术粗糙、素材东拼西凑，全靠剧本和游戏性封神。作者感叹，如果KEIZO生在有GPT-6的时代，会是什么样。
这个问题没有答案，但它指向的方向很清楚：执行的成本正在被AI快速拉低，而"知道什么是好"的判断力，正在变成最值钱的东西。工具会一直换，练判断力这件事，什么时候开始都来得及——你也能从容做到。
💬 评论