Cube: Una Visión de Roblox sobre la Inteligencia 3D

Cube: A Roblox View of 3D Intelligence

March 19, 2025

Autores: Foundation AI Team, Kiran Bhat, Nishchaie Khanna, Karun Channa, Tinghui Zhou, Yiheng Zhu, Xiaoxia Sun, Charles Shang, Anirudh Sudarshan, Maurice Chu, Daiqing Li, Kangle Deng, Jean-Philippe Fauconnier, Tijmen Verhulsdonck, Maneesh Agrawala, Kayvon Fatahalian, Alexander Weiss, Christian Reiser, Ravi Kiran Chirravuri, Ravali Kandur, Alejandro Pelaez, Akash Garg, Michael Palleschi, Jessica Wang, Skylar Litz, Leon Liu, Anying Li, David Harmon, Derek Liu, Liangjun Feng, Denis Goupil, Lukas Kuczynski, Jihyun Yoon, Naveen Marri, Peiye Zhuang, Yinan Zhang, Brian Yin, Haomiao Jiang, Marcel van Workum, Thomas Lane, Bryce Erickson, Salil Pathare, Kyle Price, Anupam Singh, David Baszucki

cs.AI

Resumen

Los modelos base entrenados con grandes volúmenes de datos han demostrado capacidades notables de razonamiento y generación en los dominios de texto, imágenes, audio y video. Nuestro objetivo en Roblox es construir un modelo base de este tipo para la inteligencia 3D, un modelo que pueda apoyar a los desarrolladores en la producción de todos los aspectos de una experiencia en Roblox, desde la generación de objetos y escenas 3D hasta el rigging de personajes para animación y la creación de scripts programáticos que describan comportamientos de objetos. Discutimos tres requisitos clave de diseño para dicho modelo base 3D y luego presentamos nuestro primer paso hacia la construcción de dicho modelo. Esperamos que las formas geométricas 3D sean un tipo de datos central y describimos nuestra solución para un tokenizador de formas 3D. Mostramos cómo nuestro esquema de tokenización puede utilizarse en aplicaciones para la generación de texto a forma, forma a texto y texto a escena. Demostramos cómo estas aplicaciones pueden colaborar con los modelos de lenguaje grandes (LLMs) existentes para realizar análisis y razonamiento de escenas. Concluimos con una discusión que describe nuestro camino hacia la construcción de un modelo base completamente unificado para la inteligencia 3D.

English

Foundation models trained on vast amounts of data have demonstrated remarkable reasoning and generation capabilities in the domains of text, images, audio and video. Our goal at Roblox is to build such a foundation model for 3D intelligence, a model that can support developers in producing all aspects of a Roblox experience, from generating 3D objects and scenes to rigging characters for animation to producing programmatic scripts describing object behaviors. We discuss three key design requirements for such a 3D foundation model and then present our first step towards building such a model. We expect that 3D geometric shapes will be a core data type and describe our solution for 3D shape tokenizer. We show how our tokenization scheme can be used in applications for text-to-shape generation, shape-to-text generation and text-to-scene generation. We demonstrate how these applications can collaborate with existing large language models (LLMs) to perform scene analysis and reasoning. We conclude with a discussion outlining our path to building a fully unified foundation model for 3D intelligence.