Tencent presenta WorldClaw para mundos 3D editables a partir de texto

Why it matters

WorldClaw targets the expensive step between generating a convincing 3D image and delivering an editable scene that artists can revise, reuse and move into game production.

Tencent Hunyuan (@TencentHunyuan) presentó WorldClaw el 11 de agosto, un flujo de trabajo guiado por agentes que convierte indicaciones de texto en grandes entornos 3D explorables ensamblados a partir de terrenos editables y activos texturizados individuales.

https://x.com/TencentHunyuan/status/2087068591296536755

La distinción importa para el trabajo de juegos y simulación. Tencent dice que WorldClaw produce geometría 3D explícita en lugar de un video limitado a una trayectoria de cámara generada o una escena representada mediante Gaussian splatting. La salida está diseñada para permitir a los creadores moverse libremente por el entorno, reposicionar objetos y llevar activos a herramientas de producción 3D establecidas.

Tencent demostró el sistema en un video publicado en X. Un artículo de investigación enviado el 5 de agosto nombra a los investigadores de Tencent Hunyuan Chunchao Guo, Jinpeng Li, Yang Li y Zilong Huang como autores. Guo lidera el trabajo 3D de Tencent Hunyuan, que se ha expandido de generar objetos individuales hacia el ensamblaje de entornos persistentes.

Cómo WorldClaw construye un mundo

WorldClaw divide la creación de escenas en tres etapas en lugar de pedirle a un solo modelo que produzca un entorno entero en una sola pasada.

Primero, agentes de planificación convierten una indicación abierta en una especificación estructurada que cubre regiones, terreno, objetos, materiales, estilo visual y relaciones espaciales. El flujo de trabajo completa los detalles necesarios para la construcción mientras conserva las restricciones suministradas explícitamente por el usuario.

Un agente de terreno luego genera la base global. Crea un mapa de disposición semántica, separa el mundo planificado en regiones y construye un campo de alturas usando operadores de formas del terreno para características como cumbres, dunas, terrazas y erosión. Los materiales, las rocas y la vegetación se distribuyen de acuerdo con el terreno y la ecología previstos para cada región.

WorldClaw dedica computación adicional a las regiones que requieren objetos detallados. Renderiza un área seleccionada como una imagen 2D, usa un modelo de edición de imágenes para añadir el contenido planificado y reconstruye los objetos insertados como mallas 3D separadas. El flujo de trabajo luego recupera la posición de cada objeto y lo coloca de nuevo sobre el terreno.

Agentes conectados a Blender inspeccionan el resultado desde múltiples puntos de vista. Pueden ajustar la escala y orientación de los objetos, reparar geometría deficiente, suavizar el terreno y resolver defectos visibles como objetos flotantes o intersecciones excesivas con el suelo. Esas comprobaciones se ejecutan hasta que la escena cumple los criterios del flujo de trabajo o alcanza un límite de iteraciones preestablecido.

Ese diseño de coarse-to-fine (de lo general a lo detallado) es la apuesta técnica central de WorldClaw. La estructura de gran tamaño y las regiones se establecen una vez, mientras que la costosa generación y refinamiento de activos se dirigen hacia ubicaciones seleccionadas. La escena permanece como una colección de componentes manejables en lugar de aplanarse en un único artefacto visual generado.

Tencent ensambló el flujo de trabajo a partir de varios sistemas de IA

WorldClaw es un sistema de orquestación construido alrededor de múltiples modelos base y software 3D convencional. Según el artículo, los experimentos de Tencent usaron Claude Opus 4.8 como modelo agente, GPT-Image-2 para generación de imágenes, SAM3 y SAM3D para segmentación y reconstrucción, y Hunyuan3D para geometría y texturas de mayor calidad.

Los investigadores ejecutaron sus experimentos en Blender 5.1.1 en un servidor equipado con cuatro GPUs Nvidia H20. Los objetos grandes recibieron mapas de textura PBR de 2,048 por 2,048, mientras que los activos más pequeños usaron mapas de 1,024 por 1,024.

Esos requisitos encuadran a WorldClaw como un flujo de trabajo de investigación y producción más que como un generador ligero en tiempo real. El artículo de Tencent presenta demostraciones y comparaciones cualitativas, sin mostrar tiempos de generación ni un amplio benchmark cuantitativo de la calidad de las escenas.

Las indicaciones demostradas produjeron un bastión pirata tropical, un cañón fluvial con asentamientos tribales, un campo de batalla desértico y un valle montañoso nevado que contiene instalaciones futuristas. Ejemplos adicionales en la página del proyecto WorldClaw incluyen asentamientos medievales, entornos volcánicos y un sitio de minería de gemas.

Tencent amplía su impulso 3D de activos a entornos

WorldClaw se basa en el trabajo previo de Tencent alrededor de HunyuanWorld. La compañía lanzó HunyuanWorld 1.0 en 2025 como un sistema para generar escenas 3D explorables a partir de texto o imágenes. WorldClaw desplaza más del proceso de construcción hacia agentes especializados que planifican, generan, inspeccionan y editan piezas discretas de un entorno mayor.

Tencent también lanzó internacionalmente su motor de creación Hunyuan 3D en noviembre de 2025, posicionando la generación de objetos y la construcción de mundos como herramientas para juegos, realidad virtual, contenido digital, comercio electrónico e impresión 3D. WorldClaw acerca esa estrategia a la producción de escenas, donde la topología utilizable, la separación de activos y el control de colocación importan junto con la calidad visual.

La prueba comercial será si el flujo de trabajo puede reducir el trabajo manual requerido para convertir conceptos generados en niveles jugables. La salida editable de WorldClaw aborda una debilidad persistente en los sistemas generativos de mundos: los recorridos impresionantes pueden ser difíciles de revisar, reutilizar o integrar en un pipeline de juego real. El enfoque de Tencent da a cada objeto generado un lugar en un grafo de escena convencional, dejando a artistas y desarrolladores con componentes que pueden seguir editando después de que los agentes terminan.