两个入口摆在面前，看上去很像一个岔路口：是从提示词开始，还是从图像开始。文本生成 3D 和 图像生成 3D 各自都有专门的工作流页面，单独拿出来也完全说得通。但只要在旁边看着别人用道具把一个场景填满，你会发现同样的顺序反复出现：先写一段提示词，用它生成一张图像，再把那张图像转成 3D。这两条路并不是互相替代的关系。通常是其中一条在给另一条供料，而弄清楚原因之后，你也就知道什么时候可以省掉某一步。
应该从文本开始，还是从图像开始？
**如果你手上已经有一张值得作为起点的图，就从图像开始。**比如概念图、草稿或者参考照片。这张图里已经包含了关于比例、风格和剪影的判断，再用文字把它重新描述一遍，只会把已经握在手里的信息白白丢掉。
如果没有，就先写提示词、先生成一张图像，然后再转换这张图像。从文本直接走向网格，在你要的是广度而不是精度时更快——比如为一个还没设计定型的东西铺开十几个粗略方向。但如果你瞄准的是某个具体结果，中间这一步就完全值回票价，因为剪影、角度和风格都是在还是平面的阶段定下来的。那里是还能推倒重来的最后一个位置。
两条路径各自擅长什么？
它们不是同一类工具。
- **文本生成 3D 是看广度的工具。**一条提示词出多个候选，在任何人投入建模时间之前先横向摆开比较。你不是要命中靶心，而是要看清都有哪些选项。
- **图像生成 3D 是求精度的工具。**输入端已经带着判断，于是工作从"创作"变成了"解读"。
这个差别会直接体现在你怎么评估结果上。走文本生成 3D，你是在几个方向之间互相比较；走图像生成 3D，你是拿结果去对照一张早就达成共识的参考图。
为什么值得多走一步图像？
因为提示词改起来只要几秒，网格却不是。
改一句话、重新生成一次——在文本阶段改主意的成本也就是这么多。可一旦几何体已经存在，想调整比例或姿态，就意味着要么从头再生成一次，要么真的动手建模。所以做决定最好的地方，就是还来得及回头的最后一个节点，而那个节点就是图像。
这里也是最常见的问题被拦下来的地方。一段读起来很漂亮的提示词，照样可能产出一个拉远就糊成一团的剪影，或者一个撑不过绑定的姿态。看图，几秒钟就能发现；等看到模型才发现，那就晚得多，代价也大得多。
PicoBerry 的两个工作流页面是从相反的两侧讲这件事的。文本生成 3D 那一页把真正有用的问题定为：**这个结果能不能帮团队决定留下什么、打磨什么、舍弃什么。**图像生成 3D 那一页则指出，即使是一张清晰的概念图，作为 3D 规格依然是不完整的——厚度、背面结构、关节、尺度、材质分区都还藏着。把两边叠起来，结论只有一个：把图像做扎实，同时仍然做好要审模型的准备。
转换之前，怎么判断一张图像？
不是看"好不好看"。图像是 3D 环节将要读取的规格，所以要用那个环节的眼光去看。
| 检查项 | 要看什么 |
|---|---|
| 剪影 | 缩到缩略图大小看一眼。如果认不出这是什么东西，模型不会替你把它补回来 |
| 完整性 | 物体是否完整可见？被裁掉的边缘和严重遮挡，到了 3D 里就变成猜测 |
| 姿态 | 中性优于戏剧化。富有表现力的角度在平面上好看，到了网格里却处处掣肘 |
| 风格定调 | 风格化参考和写实参考产出的几何体不一样——要在之前定，而不是之后 |
| 背景分离 | 主体能不能和它背后的东西区分开？ |
这些问题在提示词一侧修正，代价是多生成一次；等模型出来以后再修，代价是搭进去半天。
什么时候一张图像不够用？
单一视角描述不了背面。如果你有同一物体的多个角度，把它们一起喂进去，正好能化解那种让单图结果显得"空心"的歧义——深度、被遮住的结构，以及镜头从未拍到的部分。
正反面差异越明显的对象，这一点越关键：角色、载具、立面精细的建筑。对于对称的小道具就没那么重要，一个好角度通常就带够了信息。
什么时候可以完全跳过图像？
直接走文本生成 3D 是合理的，前提是描述本身就等于规格。"木箱、边角磨损、游戏道具"中间并不需要一张图，加进去只是多一道工序。
另外两种情况也一样。一是在做那种外观并不特别讲究的填充几何体时；二是在项目早期，你想看到的是十几个方向而不是一个正确答案，此时目的本来就是看清幅度。
什么时候可以跳过文本？
直接走图像生成 3D 的理所当然的场合，是图像已经存在、而且这张图是说了算的：美术给的概念图、你自己画的草稿、实物拍的照片。再用一段文字把它重新生成一遍，只会丢掉你本来就有的信息。
对已经确立了美术方向的团队来说，这也是更诚实的答案。既然概念美术已经把决定做完了，生成这一步就应该尊重这些决定，而不是重新解读一遍。
哪些部分仍然需要人工？
两条路都不会交给你一个成品资产，这一点还是直说为好。
不管出来的是什么，都还要过一遍审查：拓扑、尺度、材质分区，以及它在原本要用的那个场景里到底立不立得住。有些结果会被重做，有些会被砍掉。这个循环本身就是工作，换哪个入口都消不掉它。
这两条路真正改变的，是你能用多小的代价抵达一个值得审视的东西。这个说法比"AI 帮你做好资产"要小得多，但它是能在真实项目里活下来的那一个。
不同团队该怎么套用？
- 独立开发者 — 文本 → 图像 → 3D 这条路通常值得多走那一步，因为美术方向是你定，模型返工也是你自己来。
- 有概念美术的团队 — 从他们的图开始。判断已经做完了，用文本重新生成一遍等于把它扔掉。
- 需要快速填满场景的人 — 背景和填充物直接走文本生成 3D，把图像这一步留给玩家真正会盯着看的物体。
- 做工具的开发者 — 两条路都可以通过 PicoBerry API 调用，所以同一套判断可以写进代码：生成图像，用程序检查，再做转换。
延伸阅读
- 面向游戏开发者的文本生成 3D — 怎么写出能产出可比候选的提示词
- 面向游戏开发者的图像生成 3D — 怎么挑输入，怎么看出模型理解错了什么
- AI 3D 生成 API — 把任一条路接进流水线
- 价格对比 — 各家工具的生成额度与商用条件对比
一句话总结
这不是文本还是图像的问题，而是趁改动还容易时把决定放在哪一步做完的问题。手上有值得当起点的图，就从图像开始；没有，就写好提示词、先生成一张图像。无论走哪条路，模型都只是以候选的身份交到你手上，而那一遍审查依然是你的活。
