Non serve più una scheda NVIDIA di ultima generazione per ottenere modelli 3D credibili da una singola immagine. Il progetto trellis.cpp, dopo un lungo lavoro di debugging innescato dalla community (con un ringraziamento esplicito all’utente Reddit Iajah), ha colmato il divario qualitativo che lo separava dall’implementazione originale di TRELLIS.2. Ora la pipeline genera asset con qualità pari al riferimento, ma lo fa su hardware molto più eterogeneo e senza invocare CUDA.

Dietro questo salto c’è la stessa filosofia che ha reso celebre llama.cpp nel mondo degli LLM: porting in C/C++ puro, quantization GGML e inference ottimizzata per CPU e GPU generiche. trellis.cpp trasporta quel paradigma nella generazione 3D image-to-3D, e i risultati non sono più un’approssimazione accettabile: sono fedeli al modello originale.

Il risvolto pratico è immediato. Chiunque possieda una GPU "abbastanza buona", o la pazienza di macinare l’inference su CPU, può produrre asset 3D di livello professionale senza passare per il cloud. Questo ribalta l’equazione per professionisti e realtà che finora dovevano fare i conti con l’hardware certificato NVIDIA e con i costi operativi dei servizi cloud. Non è solo una questione di risparmio, ma di controllo: i dati non lasciano mai la macchina, gli asset restano di proprietà esclusiva di chi li genera e non esistono intermediari che possano rivendicare diritti o esporli a rischi di compliance.

Il progetto è open source e il motore grezzo è disponibile su GitHub (pwilkin/trellis.cpp). Per chi cerca un’esperienza integrata, esiste il collegamento con Lemonade, che aggiunge un’interfaccia e opzionalmente una cascata text-to-3D, trasformando trellis.cpp in un tassello di una filiera creativa più ampia, sempre in locale.

Osservando lo scenario con gli strumenti di chi analizza l’evoluzione dell’infrastruttura on-premise, questa notizia segnala un’accelerazione strutturale: la generazione 3D sta percorrendo la stessa strada già battuta dal linguaggio. Prima i modelli erano confinati in data center o su GPU con stack software proprietario, poi la comunità ha portato le reti su dispositivi consumer, spesso più lenti ma privi di vincoli di licenza. Ora tocca ai modelli di sintesi 3D, con un passaggio ulteriore: non serve nemmeno CUDA. Il bacino di utenza si allarga a chi utilizza GPU AMD, a chi opera in ambienti air-gapped o a chi semplicemente non vuole investire in hardware specializzato.

L’impatto non è solo tecnico. Per studi di game development, realtà che producono contenuti per il metaverso industriale o per la stampa 3D, poter iterare sulla generazione di forme senza caricare bozze su server esterni cambia le abitudini di lavoro. Riduce il time-to-iteration e azzera le preoccupazioni legate alla proprietà intellettuale. Parallelamente, la dipendenza dai vendor si allenta: se la qualità è equivalente tra una pipeline CUDA e una basata su inference portabile, il differenziale di valore si sposta dall’accelerazione hardware al software.

Certo, i tempi di elaborazione su CPU restano lontani da quelli di una GPU di fascia alta, e la posta in gioco per asset complessi è alta. Ma il segnale è inequivocabile: la generazione 3D open source sta diventando un carico di lavoro che può vivere interamente sul bordo della rete, senza concessioni. E chi cerca framework analitici per valutare i trade-off di un deployment interamente on-premise ha ora un ulteriore caso concreto da studiare.