优化策略
- selected_highstep：按前两轮结论选择每个 case 的当前最佳输入路线，再把 sparse/slat steps 从 12 提升到 24。
- weighted_hybrid_highstep：通过重复原图或可信 GPT 视图做软权重，降低错误/重绘视图对融合的污染。
第三轮优化总览：direct、上一轮最佳、selected-24、weighted-24。
第三轮优化多角度抽帧。
chair
weighted-24 保留了椅子整体和部分座面细节，但相对 direct 没有压倒性提升。
Selected high-step
3 inputs, 359,896 vertices · OBJWeighted hybrid high-step
10 inputs, 360,884 vertices · OBJ monkey
selected-24/gpt-only 高步数保持稳定，形体更圆整；提升主要来自 GPT 正交输入而非加权。
Selected high-step
4 inputs, 348,194 vertices · OBJWeighted hybrid high-step
4 inputs, 348,192 vertices · OBJ robot
weighted-24 排除错误 back 并提高原图权重，正面结构稳定，但侧背仍受少视角歧义限制。
Selected high-step
2 inputs, 238,808 vertices · OBJWeighted hybrid high-step
9 inputs, 199,728 vertices · OBJ toolcar
weighted-24 是本轮最明显改善：前视更正，顶部横杆和轮子结构比 gpt-md 更稳定。
Selected high-step
7 inputs, 485,086 vertices · OBJWeighted hybrid high-step
10 inputs, 455,526 vertices · OBJ flower
高步数 direct 路线保持花盆和花束体量；GPT 仍不适合该 case，门控回退是正确选择。
Selected high-step
8 inputs, 425,110 vertices · OBJWeighted hybrid high-step
8 inputs, 425,122 vertices · OBJ