我將微軟的 TRELLIS.2 移植到 Apple Silicon 上，透過 PyTorch MPS 運行。原始版本依賴五個僅限 CUDA 的編譯擴展（flex_gemm、flash_attn、o_voxel、cumesh、nvdiffrast），在 Mac 上沒有對應版本。我從零開始編寫了替代後端：純 PyTorch 稀疏 3D 卷積（替代 flex_gemm）、使用空間雜湊的 Python 網格提取（替代 o_voxel 中的 CUDA 雜湊映射操作）、用於稀疏 Transformer 的 SDPA 注意力機制（替代 flash_attn），以及 GPU 加速的三線性插值（替代 cumesh 和 nvdiffrast）。
我將微軟的 TRELLIS.2（40 億參數的圖像轉 3D 模型）移植到 Apple Silicon 上，透過 PyTorch MPS 執行。原始版本需要 CUDA 搭配 flash_attn、nvdiffrast 和自訂稀疏卷積核心——這些在 Mac 上都無法運作。我用純 PyTorch 替代方案取代了 CUDA 特定操作：包括 gather-scatter 稀疏 3D 卷積、用於稀疏 Transformer 的 SDPA 注意力機制，以及以 Python 實現的網格提取（取代 CUDA 雜湊表操作）。總共在 9 個檔案中修改了數百行程式碼。
有位使用者在 M5 Pro 機器上配置了 24GB 記憶體，想用 Ollama 執行 Qwen 3.6 大型語言模型（LLM），但不確定該選擇 Q4 量化版本（4 位元量化）。他們找不到合適的 Q3 量化解決方案，希望能獲得建議，找到在他們的硬體配置上既能順利運行，又不會過度犧牲模型品質的版本。
科技博主觀點
有人剛把微軟最強的 3D AI 從 NVIDIA 監獄裡救出來 — 你的 MacBook 馬上要變成 3D 建模怪獸
微軟的 TRELLIS.2 可以把任何圖片變成 3D 模型，但它被五個只能在 CUDA 上跑的函式庫鎖死了，只能在 Windows 加 NVIDIA 的組合上用。結果有個絕對的狂人花了好幾週時間從零開始重寫每一個，讓它們在 Apple Silicon 上跑。我們講的是純 PyTorch 稀疏 3D 卷積、用空間雜湊做網格提取，還有不需要 CUDA 的 GPU 加速注意力機制。這不只是個移植 — 這是對 3D AI 應該怎麼做的完全重新想像。一個人就能反向工程並取代微軟整個 CUDA 堆疊，這說明了這些硬體障礙有多人為。你的 M1 MacBook Pro 馬上要做到上個月還需要五千美金工作站才能做的事。
Action
馬上試用需要三千美金以上的 NVIDIA 工作站才能跑最尖端的圖片轉 3D AI 模型
直接在你的 MacBook Pro 上用 Apple Silicon 從照片生成 3D 模型
AI 分析
3D 內容創作
high馬上在你的 Mac 上測試 TRELLIS.2 — 這根本可以取代你整個概念設計的 3D 建模流程
有人把微軟最尖端的圖片轉 3D 技術搬到筆電上，從零開始重寫了五個完整的 CUDA 函式庫
你再也不需要花三千美金買 NVIDIA 工作站來把草圖變成 3D 模型 — 你的 MacBook Pro 就能做
遊戲開發
high下載這個移植版本，開始用概念美術快速製作 3D 資產原型 — 可能會徹底改變你的資產製作流程
Mac 開發者和 AI 驅動 3D 生成之間的技術障礙一夜之間消失了
你的獨立遊戲工作室現在可以生成 3D 模型，不用買昂貴的硬體或改用 Windows
職位影響分析
3D 美術師
角色轉型圖片轉 3D 生成現在可以在標準 Mac 硬體上執行，讓進階 3D 創作工具民主化了
現在就學這個工作流程 — 一旦客戶發現你能從參考圖快速生成基礎模型，他們會期待更快的交期
獨立遊戲開發者
機會Mac 開發者現在可以用微軟最先進的 3D 生成技術，不需要 NVIDIA GPU
馬上整合到你的資產製作流程 — 更快製作原型，把預算花在打磨遊戲而不是建模上
AI 研究員
機會有人證明了可以用純 PyTorch 取代複雜的 CUDA 操作，讓研究更容易進行
研究這個移植版本的架構 — 這是一堂關於如何讓 GPU 限制研究變得通用的大師課