EN DIRECT
Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|
AppEn hausseéditeur officiel

TRELLIS.2 (Microsoft)

App : Un produit que vous utilisez directement

Modèle image-vers-3D de Microsoft produisant un maillage PBR en quelques secondes, en local.

Le meilleur modèle 3D local librement commercialisable (MIT).

Score global
8.1 /10
Sécu : rien à signaler
Utilité
9.0
Fiabilité
9.0
Sécurité
Aucune réserve recensée
Facilité
Technique · Technique

La sécurité reflète la destination des données, les permissions demandées et les incidents recensés à la date de vérification. Ce n’est pas une garantie d’absence de risque : vérifiez le mode de déploiement et les connexions que vous activez.

Ce que ça fait, concrètement

Créer un objet 3D de qualité à partir d'une simple photo ou d'un texte demande habituellement des logiciels spécialisés, des heures de travail et des compétences en modélisation. TRELLIS résout ce problème en générant automatiquement un asset 3D complet en quelques secondes, directement sur votre machine.

Le modèle repose sur une représentation interne appelée SLAT (Structured LATent) : une grille 3D creuse enrichie de caractéristiques visuelles extraites de vues multiples. À partir d'une image ou d'un texte, TRELLIS produit simultanément un maillage texturé (GLB), des 3D Gaussians (PLY) et un champ de radiance, tous exportables. Le modèle image-vers-3D compte 1,2 milliard de paramètres ; les variantes texte vont de 342 millions à 2 milliards de paramètres.

TRELLIS s'adresse aux développeurs, artistes techniques et chercheurs qui souhaitent intégrer la génération 3D dans leurs pipelines sans dépendre d'un service cloud. La licence MIT permet une utilisation commerciale libre.

En revanche, l'outil n'est pas adapté aux débutants : l'installation requiert Linux (Windows partiellement supporté), une carte NVIDIA avec au moins 16 Go de VRAM, et la maîtrise d'un environnement Conda. Le modèle excelle sur les assets de style artistique ; sa capacité à reproduire des objets photoréalistes du monde réel reste limitée.

Ce que ça propose

  • ·Génération image-vers-3D : convertit une photo en maillage texturé, 3D Gaussians et champ de radiance en une seule passe.
  • ·Génération texte-vers-3D : trois modèles disponibles (342M, 1,1B et 2B paramètres) pour créer un asset 3D à partir d'une description textuelle.
  • ·Export multi-format : les résultats sont exportables en GLB (maillage texturé), PLY (Gaussians) et vidéos de prévisualisation MP4.
  • ·Édition locale : modification ciblée d'une région précise d'un asset 3D existant selon un texte ou une image de référence.
  • ·Génération de variantes : production de plusieurs versions cohérentes d'un même objet 3D guidées par des instructions textuelles.
  • ·Conditionnement multi-images : combinaison de plusieurs images d'entrée pour guider la génération, sans réentraînement du modèle.
  • ·Interface web Gradio : démonstration locale accessible via navigateur, sans configuration supplémentaire au-delà de l'installation.

En pratique

Prix
GratuitGratuit, MIT.
Usage commercial
Usage commercial : oui
Disponible sur
linux, windows
Hôte
comfyui
Licence
MIT
En local
Oui, 16 Go de VRAM conseillés
Interface FR
Non

Sécurité et données

Pastille
Sécu : rien à signaler
Vos données
Données en local
Permissions
Local.
Maintenance
Active

Liens et dépôt vérifiés le 25 octobre 2026 · ajoutée le 1 décembre 2025

Comment installer TRELLIS.2 (Microsoft)

1. Vérifiez les prérequis : Linux, GPU NVIDIA avec au moins 16 Go de VRAM, CUDA Toolkit (11.8 ou 12.2), Conda et Python 3.8 ou supérieur. 2. Clonez le dépôt avec ses sous-modules : git clone --recurse-submodules https://github.com/microsoft/TRELLIS.git && cd TRELLIS 3. Lancez le script d'installation pour créer l'environnement Conda et installer toutes les dépendances : . ./setup.sh --new-env --basic --xformers --flash-attn --diffoctreerast --spconv --mipgaussian --kaolin --nvdiffrast 4. Si vous avez plusieurs versions de CUDA installées, définissez le bon PATH avant l'installation (ex. : export PATH=/usr/local/cuda-11.8/bin:$PATH). 5. Pour lancer la démo web locale, installez les dépendances Gradio supplémentaires (. ./setup.sh --demo) puis exécutez python app.py. 6. Les modèles sont téléchargés automatiquement depuis Hugging Face au premier lancement ; aucune clé API n'est requise.
. ./setup.sh --new-env --basic --xformers --flash-attn --diffoctreerast --spconv --mipgaussian --kaolin --nvdiffrast

Dans la même catégorie

Toute la catégorie 3D & impression →