За красивым нейросетевым роликом с пролётом камеры над городом редко видна пропасть, отделяющая плоскую картинку от настоящей игры. За кулисами любого проекта в движке скрыты твёрдые сетки препятствий, физика шасси, источники света и скрипты управления. Видеогенератор просто рисует похожие пиксели кадр за кадром — внутри его сцены нельзя повернуть штурвал или сдвинуть взлётную полосу.
Именно поэтому релиз Ernie 5.5 Flash Preview от китайской компании Baidu заставил меня отложить тесты обычных чат-ботов. Способна ли языковая модель по одной фразе без участия человека собрать рабочую 3D-сцену напрямую в профессиональном движке — с настроенной физикой, камерой и управлением?
От плоских пикселей к процедурному коду и штату из 280 экспертов
Чтобы управлять профессиональным софтом вроде Unreal Engine 5, Unity, Godot или Blender через API, нейросети нужно писать процедурный код на Python и C++. Вместо угадывания пикселей модель отдаёт движку математические команды: где развернуть рельеф, как поставить свет и какой скрипт привязать к клавишам. Но на сотнях файлов обычная сеть либо путается в координатах, либо задумывается над каждым шагом на минуты.
В анонсе от 11 ноября 2026 года инженеры Baidu решили эту проблему через архитектуру разреженной смеси экспертов (Sparse Mixture of Experts). Общий объём Ernie 5.5 Flash Preview составляет 280 миллиардов параметров, но на каждый токен алгоритм активирует ровно 14 миллиардов. Представь конструкторское бюро, где в штате 280 узких специалистов: архитекторы, физики, программисты, осветители. Когда приходит задача, к чертежу встают только 14 профильных мастеров, а остальные ждут в резерве.
Такая избирательность даёт кругозор гигантской модели со скоростью компактной команды — свыше 200 токенов в секунду. А контекстное окно в 1 миллион токенов удерживает в оперативной памяти документацию движка и координаты всех объектов сцены.
Как два агента делят сборку аэродрома и самолёта в Unreal Engine 5
Даже с огромной памятью собирать сложный 3D-уровень в одиночку накладно: если один бот пытается одновременно лепить геометрию и настраивать гравитацию, он тонет в нестыковках. Поэтому Ernie 5.5 Flash Preview работает в агентных средах, распределяя роли между напарниками.
Посмотрим на сценарий из демонстрации Baidu и разбора Джулиана Голди. Разработчик ставит задачу одной фразой: собрать в Unreal Engine 5 интерактивную сцену посадки самолёта в тумане на горном аэродроме. Система делит работу между двумя субагентами:
- Первый агент процедурно строит геометрию взлётно-посадочной полосы, рельеф и объёмный туман.
- Второй агент собирает 3D-модель самолёта, рассчитывает траекторию снижения и настраивает физику шасси.
Затем система сводит ассеты в единый проект Unreal Engine 5, ставит камеру и компилирует рабочий билд с управлением. На том же конвейере Baidu показала непрерывный 11-часовой цикл кодинга прототипа игры Yunxiu Xing в Unreal Engine 5.8 и выпуск обучающего видео по одному запросу — от сценария и озвучки до 3D-анимации без участия человека.
Где конвейер экономит недели, а где нужен 3D-инженер
Глядя на этот марафон автопилота, важно трезво очертить границы его применимости. Связка Ernie 5.5 Flash с движками закрывает стартовый этап: быстрое прототипирование локаций, сборку обучающих симуляций и черновые анимации. Там, где разработчик неделями расставлял болванки зданий вручную, пара агентов выдаёт живую сцену за один присест.
Но чистовая полировка шейдеров, оптимизация высокополигональной сетки и сложная игровая физика требуют рук 3D-инженера. Сохраняется и аппаратный порог: сама модель доступна в облаке Baidu Qianfan и через OpenRouter, однако для локального рендеринга в Unreal Engine 5 нужна мощная видеокарта. Чем скриптовая сборка отличается от потоковой симуляции, мы разбирали в обзоре генерации интерактивных 3D-миров в Google Genie 4.
Отвечая на наш вопрос: да, нейросеть способна по одной фразе развернуть рабочую 3D-сцену в движке, делегируя этапы сборки профильным агентам. Как точно резюмировал Джулиан Голди в своём обзоре, ИИ перешагнул черту простых ответов в чате и научился выполнять многоступенчатую работу целиком — поэтому к открытию весов под лицензией Apache 2.0 (запланированному на 25 ноября) выиграют те, кто уже сейчас осваивает оркестрацию агентных команд.



