从历史照片到交互式 3D：Gemini 4 Carbon 用一条提示词重现埃菲尔铁塔的建设过程

作者注：本文从 Google 的埃菲尔铁塔演示出发，解释多 Agent 如何把历史图片和工程资料组织成交互式三维展览。

术语速览（to know）

• Agent（智能体）：能调用工具、执行任务的 AI 程序，不只回答问题，还会规划、执行和检查结果。
• 多 Agent 协作：多个智能体分工处理子任务，并交换各自的中间结果。
• Antigravity：Google 提供的 AI 开发工具，Gemini 4 Carbon 已在其中上线。
• Swarm（/swarm）：Antigravity 中组织多个智能体协作的预览功能，于 2026 年 11 月 10 日推出。
• 工程图纸：用图形和尺寸表达工程设计的资料，是三维重建的关键几何来源。
• Three.js：在网页中构建三维场景的 JavaScript 库，可以直接在浏览器里渲染和交互。
• 格构结构：由许多杆件组合而成的承重结构，埃菲尔铁塔就是典型的铁制格构结构。

Google 在 2026 年 11 月 10 日正式开放 Gemini 4 Carbon，并在官方公告中展示了一个很有画面感的案例：多个 Carbon Agent 借助 Antigravity 的 /swarm 功能，把历史照片和工程图纸转化为一个交互式 Three.js 3D 展览，重现埃菲尔铁塔 1887—1889 年的建设过程。整个任务由一条提示词启动。

这不是“AI 随手画了一座铁塔”。Google 官方公告和 Antigravity 博客对这个案例及 Swarm 机制都有说明。本文会区分三类信息：历史事实、Google 官方演示的描述，以及我们的分析推断。

核心价值：读完本文，你会知道这个演示到底解决了哪些技术问题，多 Agent 在其中扮演什么角色，以及开发者怎样用 API 尝试类似的“图纸到 3D”工作流。

Gemini 4 Carbon 埃菲尔铁塔演示核心信息速览

先看 Google 官方公告中能确认的信息。下表只列出官方明确提到的内容，没有披露的细节会单独说明。

需要注意的是，“一条提示词”不等于“单轮生成”。用户只发出一次指令，后续的拆解、并行处理和检查由多个 Agent 在 Swarm 框架里完成。这是理解整个案例的前提。

埃菲尔铁塔为什么是 Gemini 4 Carbon 的高难度考题

如果只是生成一个“看起来像铁塔”的模型，这个演示并不稀奇。真正的难点在于，埃菲尔铁塔本身就是一项资料密集、结构复杂的工程。以下数据来自埃菲尔铁塔官方网站的历史档案。

施工时间线同样清晰。1887 年 1 月 26 日正式开工，同年 7 月 1 日开始安装塔柱；1888 年 4 月 1 日第一层建成，8 月 14 日第二层建成；1889 年 3 月 31 日塔顶及整体组装完成。对于一个“重现建设过程”的展览来说，这些节点就是时间轴的骨架。

埃菲尔铁塔的格构结构与抗风设计

据官方历史资料，铁塔的设计构想最初来自工程师 Maurice Koechlin 和 Émile Nouguier，建筑师 Stephen Sauvestre 参与了外观设计，古斯塔夫·埃菲尔推动了最终方案。最初方案采用四根格构柱，底部分开，向顶部逐渐汇聚。

塔柱的曲率经过数学设计，用来改善结构抵抗风力的能力。每个金属构件都在工厂预制，并经过专门设计和计算，图纸精度达到十分之一毫米。这意味着重建它不是“堆几何体”，而是要理解杆件、曲线和层级之间的严格关系。

Gemini 4 Carbon 如何把二维历史资料变成三维结构

这一部分是本文的分析，Google 并未公开该任务的内部步骤。从输入和输出反推，任务至少需要跨越三道门槛。

1. 理解历史照片：施工照片拍摄角度不一、清晰度有限，需要识别出画面中已建成到哪一层、塔柱处于什么阶段，并把照片对应到时间线上的节点。
2. 提取图纸中的几何信息：工程图纸包含立面、剖面、尺寸标注等内容，需要从中读出塔柱倾角、平台高度、杆件排布等参数。
3. 推断空间关系并组织成可重建的数据：照片和图纸都是二维的，必须把多个视角的信息对齐，推断构件在三维空间中的位置，再整理成能驱动建模代码的结构化描述。

Gemini 4 Carbon 的模型卡显示，它支持文本、图像、音频和视频输入，输出为文本，总上下文额度为 1,048,576 Token。由此可以合理推断，展览是以 Three.js 代码这种“文本”形式交付的，三维效果由浏览器执行代码后呈现，而不是模型直接输出一个三维文件。

Google 在同一份公告里还展示过一个可参照的案例：Carbon 处理 7 份公开的城市规划 PDF，提取出 206 个工程图视图，经过 10 轮夜间迭代，最终生成约 906,000 个三角面的交互式 Three.js 建筑模型。两个案例思路相近，都是“异构资料 → 空间信息 → 交互式三维”。

Gemini 4 Carbon 多 Agent 如何协同完成埃菲尔铁塔展览

Google 确认这个案例由多个 Carbon Agent 通过 /swarm 协作完成，但没有披露本次任务的具体分工。因此下面介绍的是 Antigravity 官方博客描述的 Swarm 一般机制，不是该案例的实录。

Google 称 Agent 空闲等待时不消耗 Token，但同时提醒，多 Agent 并行执行仍会明显增加整体用量。官方还建议按角色分配模型：架构设计、任务协调、复杂审计交给 Carbon，常规实现和并行文件修改交给更快、更轻量的模型。

这种分工对工程资料重建很有意义。协调者需要深度推理来理解“哪些资料对应哪一阶段”，而批量生成杆件、拼接场景这类重复工作，并不需要每一步都动用最贵的模型。验证环节则是质量的保险，因为单个模型连续生成的三维结构很容易出现比例漂移。

如何用 Gemini 4 Carbon API 尝试类似的图纸到 3D 任务

Antigravity 的 /swarm 是产品内功能，开发者无法通过一个 API 参数直接复现。但你可以用 API 搭一个简化版流程，体验“读图 → 抽参数 → 生成 Three.js”的链路。官方模型 ID 为 gemini-4-carbon。

极简示例：让 Carbon 解析一张施工照片

import base64
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # OpenAI 兼容的统一接口
)

with open("eiffel_1888.jpg", "rb") as f:
    img_b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="gemini-4-carbon",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "判断照片中铁塔建到了哪一层，估算塔柱倾角与平台高度比例，输出 JSON。"},
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img_b64}"}}
    ]}]
)
print(resp.choices[0].message.content)

import base64
import json
from concurrent.futures import ThreadPoolExecutor
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)
MODEL = "gemini-4-carbon"


def encode(path: str) -> str:
    with open(path, "rb") as f:
        return base64.b64encode(f.read()).decode()


def ask(content, system: str = "") -> str:
    messages = []
    if system:
        messages.append({"role": "system", "content": system})
    messages.append({"role": "user", "content": content})
    resp = client.chat.completions.create(model=MODEL, messages=messages)
    return resp.choices[0].message.content


def worker_extract(path: str) -> str:
    """并行工作者：从单张照片或图纸中提取结构参数"""
    return ask([
        {"type": "text", "text": "提取该资料中的结构信息：所属施工阶段、塔柱倾角、平台高度比例、可见杆件排布，只输出 JSON。"},
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{encode(path)}"}}
    ], system="你是结构工程资料分析员，数据不确定时标注 uncertain，不要编造。")


def builder(merged: str) -> str:
    """构建者：根据合并后的参数生成 Three.js 页面"""
    return ask(
        "根据以下结构参数，生成单文件 HTML，使用 Three.js 构建四根格构塔柱与两层平台，"
        "并提供 1887—1889 时间轴滑块按阶段显示结构：\n" + merged
    )


def verifier(merged: str, html: str) -> str:
    """验证者：检查代码与参数是否一致"""
    return ask(
        "检查下列 Three.js 代码是否与结构参数一致，列出比例错误、阶段错误和无法运行的代码：\n"
        f"参数：{merged}\n代码：{html}"
    )


sources = ["photo_1887.jpg", "photo_1888.jpg", "drawing_elevation.jpg"]

with ThreadPoolExecutor(max_workers=3) as pool:
    results = list(pool.map(worker_extract, sources))

merged = json.dumps(results, ensure_ascii=False)
html = builder(merged)
report = verifier(merged, html)

with open("eiffel_exhibit.html", "w", encoding="utf-8") as f:
    f.write(html)
print(report)

这段代码是我们用普通 API 模拟 Swarm 思路的简化实现，并非 Google 的内部方案。有两点需要留意：Carbon 会忽略 temperature、top_p 等采样参数，传入 thinking_budget 会返回 HTTP 400；默认推理等级为 MEDIUM，高等级推理更耗 Token、响应更慢。

🚀 快速上手建议：做这类多图、多步骤实验时，最好先用小样本验证提示词效果。推荐通过 API易 apiyi.com 获取免费测试额度，一个 API Key 即可在 Gemini、Claude、OpenAI 等模型之间切换，方便把“轻量模型做批量提取、强推理模型做规划和验证”的分工落到代码里。

Gemini 4 Carbon 交互式 3D 展览与传统交付形式对比

Three.js 的作用，是让三维场景直接在浏览器中运行。观众不需要安装软件，就能旋转视角、缩放细节，或拖动时间轴查看不同年份的施工状态。下表对比了几种常见的历史资料呈现方式。

交互式展览最大的价值在于“可追溯”。因为它本质上是代码，每一层平台、每一段塔柱都对应可读的参数，后续发现与图纸不符时可以定点修正，而不是推倒重来。这也是验证 Agent 能够发挥作用的基础。

Gemini 4 Carbon 埃菲尔铁塔演示的影响分析

先强调边界：这是 Google 官方展示的案例，不是独立第三方验证的结果。它说明了 Carbon 加 Swarm 能做到什么，但不能直接推出“任何建筑资料都能稳定重建”的普遍结论。

对开发者的影响

• 工作流从单次调用转向编排：一条提示词背后是多个 Agent 的分工，开发者需要关注任务拆解、中间结果格式和验证机制。
• 成本要按任务而非按单价计算：Carbon 首发价为每百万输入 Token 2 美元、输出 10 美元，12 月 1 日起翻倍；思考 Token 计入输出，多 Agent 并行还会放大用量。
• 多模型混用更现实：官方建议只让 Carbon 承担规划、协调和审计，批量执行交给轻量模型，这对控制成本很关键。

对行业的影响

• 历史建筑数字化：大量只存在于照片和图纸中的建筑，有机会以更低门槛转化为可交互模型，供研究者比对。
• 工程资料重建：城市规划 PDF 案例和铁塔案例都指向同一方向，即从异构文档中提取空间信息。
• 数字展览与教育可视化：博物馆和教师可以把“5,300 张图纸、250 万颗铆钉”这类抽象数字，变成学生能拖动时间轴观察的场景。

同时也要看到限制。/swarm 目前仍是预览功能，模型卡明确提示 Carbon 可能出现幻觉，高推理等级可能响应较慢甚至超时。在需要严格精度的工程场景中，AI 重建结果仍应由专业人员复核。

常见问题 FAQ

Gemini 4 Carbon 埃菲尔铁塔演示核心要点 Key Takeaways

• 案例本质：多个 Carbon Agent 把历史照片和图纸转成 Three.js 交互展览。
• 一条提示词不等于单轮生成：背后是 Swarm 的任务拆解与并行协作。
• 工程难度真实存在：18,038 件构件、5,300 张图纸，结构精度要求极高。
• 交付形式是代码：Carbon 输出文本，展览以可修改的 Three.js 代码呈现。
• 成本要看整体：多 Agent 并行放大用量，按角色混用模型更经济。
• 边界要说清：官方演示不代表普遍性能，Swarm 仍是预览功能。
• 上手方式：可借助 API易 apiyi.com 统一接口，小样本验证读图与建模流程。

总结

Gemini 4 Carbon 的埃菲尔铁塔演示，核心看点有三个：

1. 输入是异构历史资料：照片和工程图纸需要被理解、对齐，并转换为空间参数。
2. 过程是多 Agent 协作：一条提示词启动 Swarm，协调、执行、验证分工完成任务。
3. 交付是可交互的三维展览：Three.js 让 1887—1889 年的施工过程能在浏览器中被自由浏览。

对开发者来说，更值得借鉴的是“深度推理模型做规划、轻量模型做执行、验证环节兜底”的编排思路。推荐通过 API易 apiyi.com 用小规模资料先跑通流程，再决定是否投入更大的多 Agent 任务。

📚 参考资料

1. Google 官方公告：Gemini 4 Carbon is now available：埃菲尔铁塔案例与 /swarm 发布信息
2. 链接： blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/

3. 说明： 案例的原始描述、开放范围与价格变化

4. Google Antigravity 官方博客：Gemini 4 Carbon in Google Antigravity

5. 链接： antigravity.google/blog/gemini-4-carbon-in-google-antigravity/

6. 说明： Swarm 的协调、并行工作、对抗式验证与消息板机制

7. Gemini 4 Carbon Model Card：Google DeepMind 模型卡

8. 链接： deepmind.google/models/model-cards/gemini-4-carbon/

9. 说明： 输入输出模态、上下文额度与已知限制

10. Gemini 4 Carbon 开发者指南：Google Cloud 文档

11. 链接： docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon

12. 说明： Thinking Level、参数限制与长解码说明

13. 埃菲尔铁塔官方历史资料：La tour Eiffel

14. 链接： toureiffel.paris/en/the-monument/history
15. 说明： 构件数量、图纸数量、施工时间线与结构设计背景

作者: APIYI 技术团队
技术交流: 对多 Agent 编排或多模态 3D 生成有疑问，欢迎通过 API易 apiyi.com 网站首页联系我们交流

延伸阅读

• 让模型写 Three.js 而不是直接生成 3D 文件：代码中间层工作流的 5 个启示:以 Qwen3.5-4B-GLB-3D-Coder 为例，拆解“文本→Three.js→GLB”的代码中间层工作流，并给出本地部署、云端接入与 Godot 验证的实操步骤。
• Gemini 4 Carbon 发布解读：59 分反超 Opus 5.5，17 项赢 15 项却调不到:Gemini 4 Carbon 在 Artificial Analysis 综合智能指数拿到 59 分登顶，官方 17 项对比赢 15 项。但它没有 API 型号 ID，也没有开放时间表。本文按口径拆清分数，说明现阶段为什么调不到，以及国内开发者现在可以先用 gemini-4-argon。