TanGO: Training-Free 3D Editing via Tangent-Space Guidance and Optimization¶
会议: ECCV2026
论文: ECCV 原文
代码: https://github.com/siw00-lim/TanGO
领域: 3D视觉
关键词: 3D 编辑、免训练、最优控制、流匹配、切空间引导
一句话总结¶
TanGO 把基于 VecSet 潜表示的流匹配 3D 生成模型的文本编辑，写成每一步都要解一次的瞬时单步最优控制问题：用源/目标条件速度场之间逐 token 的方向失配（vMF 负对数似然，即 \(1-\cos\theta_i\)）决定每个 token 的引导增益，闭式解让该改的 token 被强推、该保留的 token 被压住，从而在不需要掩码、不需要微调、也不需要反传优化的前提下完成局部编辑；在自建 TanGOEdit 基准上 CLIP-T/CLIP-I/DINO-I 分别为 0.2301/0.7679/0.6510，全面超过 FlowEdit 与 AnchorFlow，单次编辑耗时约 28.7 秒。
研究背景与动机¶
3D 生成的技术底座在过去两年换了一轮：从 DreamFusion、Magic3D 这类把 2D 扩散先验通过 SDS 梯度"提升"到 3D 的路线，转向了 TRELLIS、Hunyuan3D、TripoSG、VecSet 这类原生 3D 基础模型。这些新模型不再依赖外部的 2D 渲染器打分，而是直接在 3D 潜空间里做扩散/流匹配，因而天然带着一个可编辑的潜状态。但它们大多采用结构化潜表示：VecSet 把一个物体表示成 4096 个潜 token（本文默认基座 Hunyuan3D 2.1），token 之间通过自注意力共享全局上下文。正因为这种全局交互，VecSet 常被当成"较全局的表示"，看起来不适合做局部编辑——你想改翅膀，自注意力似乎会把扰动传到全身。于是不少免训练编辑方法宁愿退回到体素这类低层表示上工作。
而现有免训练编辑的通行做法，基本是 FlowEdit 的"速度差"配方：在编辑状态 \(X_t^{FE}\) 上分别用源条件和目标条件跑两次模型，取
去推动编辑轨迹。这里的关键缺陷是本笔记后面所有设计的出发点：\(\Delta v\) 虽然继承了 VecSet 的 token 结构、逐 token 都有值，但以往方法并不在 token 层面驱动它，而是给整个速度差乘一个全局共享的缩放系数。于是可编辑区域和应保留区域被一起扰动。作者在图 2 中给出了这样做的具体后果：FlowEdit 与 AnchorFlow 要么编辑力度不足（目标部件改不出来），要么把改动扩散到相邻部位，表现为网格撕裂、表面塌陷、细结构丢失，连本该原封不动的源身份都保不住；在添加/替换/删除/改姿态/改风格五类任务上，这些方法的 CLIP-I 与 CLIP-T 都明显偏低。更要紧的是，作者对 Hunyuan3D 2.1 做了一次实证分析，结论与"VecSet 是全局表示"的直觉相反：把单个 token 的影响可视化后可以看到，每个 token 的几何影响集中在某个局部部件（翅膀、尾巴、手臂、面部等），而非铺满整个物体；4096 个 token 中只有一部分在生成某个物体时真正活跃，且大多数 token 的 locality score 高于 0.96。也就是说，模型缺的不是局部性，而是显式的逐 token 驱动（per-token actuation）——控制信号在 token 之间一视同仁，局部性就被浪费掉了。
由此，本文要回答的问题变得很具体：既然不同 token 对应不同的局部几何，编辑就不该对所有 token 施加同一强度，而应当在需要改的地方放大信号、在需要保留的地方压住信号，并且这个选择不能依赖人工掩码、额外训练或对网格参数的梯度优化。核心 idea：把免训练 3D 编辑从"给整条轨迹乘一个全局缩放"改成"在切空间里按 token 分配控制增益"——用一个带二次能量惩罚的单步最优控制律给出闭式增益，用源/目标速度的 vMF 方向性差异定义每个 token 的需求，再用平均增益归一化把整条轨迹的引导能量锁住。
方法详解¶
整体框架¶
TanGO 的输入是一个源网格加一条描述目标编辑的文本指令（配合源条件图像/文本），输出是编辑后的网格及其纹理。它不改动任何预训练权重，也不做反传优化：整个编辑发生在预训练流匹配 3D 模型的 ODE 采样轨迹上——每一步同时用源条件和目标条件各预测一次速度场 \(v_{\mathrm{src}}\) 与 \(v_{\mathrm{tar}}\)，然后回答两个被以往方法耦合在一起的问题：(i) 该在哪些 token 上施力（token 间的定位）；(ii) 该用多大强度施力（轨迹层面的引导能量）。前者交给逐 token 的方向失配——方向一致说明这个 token 本来就在朝目标走、不需要改，失配越大说明越需要推；后者交给一条带能量惩罚的闭式控制律，最后再用平均增益归一化把跨步的总能量稳住，避免 50 步积分过程中引导忽强忽弱。编辑完成的潜状态直接解码成网格；由于 VecSet 基座没有原生纹理管线，TanGO 再接一段多视图渲染、缺失 texel 修补与贴图烘焙，把几何变成可渲染的资产。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["源网格 + 文本编辑指令"] --> B["vMF 方向性差异<br/>逐 token 源/目标速度 → d_i"]
B --> C["瞬时单步最优控制<br/>闭式增益 g_i = d_i / ρ"]
C --> D["平均增益归一化<br/>λ_eff = λ·η / (ḡ + ε)"]
D --> E["逐 token 引导更新<br/>50 步 ODE 积分"]
E --> F["编辑后网格"]
F --> G["多视图贴图烘焙<br/>MV-Adapter → UV 贴图 → 修补"]关键设计¶
1. vMF 方向性差异：用"方向对不对"而不是"速度大不大"决定每个 token 该不该改
直接拿速度差的模长 \(\lVert v_{\mathrm{tar},i} - v_{\mathrm{src},i}\rVert\) 当"这个 token 要不要改"的判据是不稳的：速度的模长会随时间步、资产尺度、模型置信度大幅变化，同一个 token 在不同 \(t\) 上可能差出一个量级，"模长大"更多反映的是当前时间步的尺度而不是编辑需求。作者转而去比方向：把逐 token 的源、目标速度都归一化到单位超球面上，取其余弦相似度 \(\cos\theta_i = \hat v_{\mathrm{src},i}^\top \hat v_{\mathrm{tar},i}\)，它就是"这个 token 现在是否已经朝着目标条件走"的尺度无关指标。为了给这个量一个概率解释，作者把目标方向的单位向量看作以源方向为均值方向 \(\mu\)、集中度为 \(\kappa\) 的 von Mises-Fisher 方向性观测，其负对数似然在去掉与观测无关的常数后正好正比于 \(\kappa(1-\cos\theta_i)\)，于是直接把它作为该 token 的需求（\(d_i(t)\) 记作 demand），并把集中度与能量惩罚系数之比 \(\kappa/\rho\) 吸收进后面统一的全局缩放 \(\lambda\)：
这个定义同时满足作者给自己定的三条要求：尺度不变（只用到归一化后的方向，不受模长影响）、有界（\(d_i \in [0,2]\)，避免某个 token 出现虚假尖峰）、几何一致（由 \(\lVert \hat v_{\mathrm{src},i} - \hat v_{\mathrm{tar},i}\rVert^2 = 2d_i\)，它正比于两个单位方向之间的平方距离）。两个条件速度方向一致（\(\theta_i \approx 0\)）意味着该 token 已经朝目标走，需求趋近 0，控制把它按在源状态上；方向严重失配（\(\theta_i\) 接近 \(\pi\)）则意味着这个 token 必须被改变，需求趋近上界 2。对照之下，全局缩放拿不到任何 token 之间的区分度，内积式增益又缺少归一化，这正是后文消融里逐 token 增益设计要比较的对象。
2. 瞬时单步最优控制：把"每一步改多少"写成带能量惩罚的闭式解
有了需求还要决定强度，而且必须避免把控制量花在与目标方向正交的方向上——那些方向的扰动恰恰是保留区退化的来源。TanGO 把每一步的编辑当作一个瞬时控制问题：控制量 \(u_i(t)\) 要在目标方向 \(\Delta v_i(t)\) 上取得最大的一阶推进，同时用一个二次项惩罚过大的干预，并额外约束 \(u_i\) 只能落在 \(\Delta v_i(t)\) 张成的子空间里：
这就是标题里"切空间"的具体含义：速度场活在潜状态流形于 \(X_t\) 处的切空间里，\(\Delta v_i(t)\) 是该切空间中唯一直接把源流推向目标流的方向；把控制限制在 \(\mathrm{span}(\Delta v_i)\) 上就是一条最小干预原则，等于宣布"要走就沿着能到达目标的那条方向走"，从源头排除了会破坏保留区的正交扰动。令 \(u_i = g_i \Delta v_i\)，目标函数在 \(g_i\) 上是凹二次函数，直接得到闭式解
这条解把编辑干净地劈成两半：标量增益 \(g_i\) 只负责在 token 之间分配强度（只跟方向失配有关，对模长不敏感），\(\Delta v_i\) 保留完整的变换方向与幅度，负责真正把形状变过去。于是整个控制律只剩一件事待定——需求 \(d_i(t)\) 怎么定义，这正是设计 1 给出的答案。与同样做免训练 3D 编辑的 AnchorFlow 相比，这里没有锚点对齐损失的梯度优化循环，也没有掩码：每一步、每个 token 都只是一个解析算出来的标量，这也解释了为什么它的单次编辑耗时（28.73s）与 FlowEdit、AnchorFlow 处在同一量级而几乎没有额外开销。
3. 平均增益归一化：让引导能量不随步数漂移
\(g_i(t)\) 是逐 token 的，但它们的均值 \(\bar g(t) = \frac{1}{N}\sum_i g_i(t)\) 会沿轨迹波动：某些时间步整体方向失配小，总控制能量被压得过弱，编辑不到位；另一些步失配大，控制过强又会伤到网格结构稳定性。50 步积分下来这种漂移会累积，最终表现为"该改的没改全、不该动的被拉坏"。作者的解法很克制：不动 token 之间的相对分配（那是设计 1、2 已经定下来的信息），只把整体强度重标定到目标能量 \(\eta\)：
\(\varepsilon\) 只用来防除零。这样"逐 token 的相对强度"与"整条轨迹的总强度"被彻底解耦：前者跟着方向失配走，后者被 \(\eta\) 钉住。消融里把 \(\lambda_{\mathrm{eff}}(t)\) 换成固定常数 \(\lambda\) 就会在部分时间步欠编辑——例如"让石头怪握住剑"这类需要较大形变的指令改不出来——而恢复归一化后编辑稳定且周边几何不被牵连，说明这一步不是可省的装饰。
4. 多视图贴图烘焙：为没有原生纹理管线的 VecSet 模型补上外观
VecSet 基座生成的是几何，即便潜空间的编辑完全正确，解码出来的网格也没有可用纹理，而 3D 编辑要落到实际资产上必须带贴图。TanGO 在编辑结束后挂了一段与前面完全解耦的烘焙流程：用 MV-Adapter 从编辑后的几何渲染多视图一致图像，据此构造 UV/纹理贴图，再用大掩码图像修补模型（原文引用的分辨率鲁棒 Fourier 卷积修补方法）补上渲染中缺失或被遮挡的 texel，最后把纹理烘回编辑后的网格。之所以把它做成独立阶段而不是塞进潜空间编辑回路，是因为它不参与任何编辑决策——换成别的多视图生成器或修补器同样成立，这使得"控制律"这一核心贡献可以独立地被评估，而贴图质量只取决于外围工具。
一个完整示例¶
下面用一个具体输入走一遍流程，示意"逐 token 分配"是怎么发生的。指令是"给悟空背后加一根如意金箍棒"，基座是 Hunyuan3D 2.1，潜状态有 4096 个 token，编辑积分 50 步（从 \(n_{\max}=41\) 降到 \(n_{\min}=1\)）。
在某个中间步 \(t\)，模型分别用源文本与目标文本各预测一次速度场。对背部的某个 token，目标条件要求该处出现一根棍状结构，而源方向的预测仍是原有的盔甲走向，两个单位方向几乎相反，\(\cos\theta_i \approx -0.3\)，于是 \(d_i \approx 1.3\)；对躯干上一个 token，两个条件给出的速度方向都是"继续维持这件盔甲的形态"，\(\cos\theta_i \approx 0.98\)，\(d_i \approx 0.02\)，它在这一步几乎不会被推动。所有 token 的均值假设为 \(\bar g \approx 0.1\)，在 \(\lambda=5\)、\(\eta=0.2\) 的默认设置下，归一化把整体强度放大到 \(\lambda_{\mathrm{eff}} = 5 \times 0.2 / 0.1 = 10\)；若某一步整体失配变大、\(\bar g\) 升到 0.4，\(\lambda_{\mathrm{eff}}\) 会自动降到 2.5。注意 token 之间的相对比例没变——背部那个 token 仍然比躯干 token 强 65 倍左右——变的只是这一步的全局力度。就这样逐步积分到 \(n_{\min}=1\)，潜状态被解码成网格，再交给多视图烘焙补上贴图。
（说明：上面的 \(\cos\theta_i\) 与 \(\bar g\) 取值只用于说明量级，由 \(d_i = 1-\cos\theta_i\) 与 \(\lambda_{\mathrm{eff}} = \lambda\eta/(\bar g+\varepsilon)\) 直接算出，不是论文中的实测统计；论文给出的默认超参为 \(\lambda=5.0\)、\(\eta=0.2\)。）
损失函数 / 训练策略¶
TanGO 是免训练方法，没有损失函数、没有梯度更新、不微调任何参数；唯一需要"优化"的东西是每一步的单步控制目标（方法中的设计 2），而它已经被解析求解，因此编辑过程只是带逐 token 修正项的 ODE 前向积分。实现设置：积分 \(T=50\) 步，从 \(n_{\max}=41\) 到 \(n_{\min}=1\)；源、目标两条分支的 classifier-free guidance 尺度分别为 \(s_{\mathrm{src}}=3.5\) 和 \(s_{\mathrm{tar}}=7.5\)；全局缩放 \(\lambda=5.0\)、目标能量 \(\eta=0.2\)；最终编辑潜状态 \(X_{\mathrm{edit}}^0\) 直接解码到 3D 空间，全部实验在 NVIDIA A100 上完成。
实验关键数据¶
主实验¶
评测基准是作者自建的 TanGOEdit：从 Objaverse-XL、TRELLIS-500K 与 Google Scanned Objects (GSO) 中挑选审美分高的资产，用 Qwen 2.5 VL 生成多样化的编辑指令，共 100 个高质量样本，覆盖刚性与非刚性编辑。指标有三项：CLIP-T 衡量渲染视图与目标文本的语义对齐，CLIP-I 与 DINO-I 衡量编辑结果与源条件图像的视觉/特征级相似度（即保真度）。各方法在 TanGOEdit 上的结果如下（TanGO 取默认 \(\lambda=5\)、\(\eta=0.2\)，编辑积分 50 步）：
| 方法 | DINO-I ↑ | CLIP-I ↑ | CLIP-T ↑ |
|---|---|---|---|
| MVEdit | 0.5861 | 0.4994 | 0.1289 |
| EditP23 | 0.5838 | 0.4971 | 0.1313 |
| FlowEdit | 0.6127 | 0.7205 | 0.2081 |
| AnchorFlow | 0.6426 | 0.7492 | 0.2124 |
| TanGO (Ours) | 0.6510 | 0.7679 | 0.2301 |
相对最强的基线 AnchorFlow，TanGO 的 CLIP-T 提高 0.0177、CLIP-I 提高 0.0187、DINO-I 提高 0.0084。CLIP-T 的增益说明编辑结果与指令的对应更紧；DINO-I/CLIP-I 的增益说明源身份与视觉结构保得更好——两者同时上升，正是"逐 token 分配"想要的平衡。需要注意 MVEdit 与 EditP23 的 CLIP-I 只有 0.49~0.50 量级，它们偏向多视图重建式编辑，与本文的潜空间轨迹编辑不属于同一族，横向比较时应保留这一差异。
用户研究（Table 2）给出同方向的偏好证据，参与者认为 TanGO 在提示对齐、视觉质量、形状保持三项上更优：
| 方法 | 提示对齐 | 视觉质量 | 形状保持 |
|---|---|---|---|
| AnchorFlow | 21% | 16% | 13% |
| TanGO (Ours) | 79% | 84% | 87% |
差距最大的一项是形状保持（87% vs 13%），说明逐 token 抑制确实换来了保留区的稳定。此外作者在一个 150 样本的掩码感知评测集（100 个来自 Edit3DBench + 50 个 TanGOEdit 样本在 Blender 中标注掩码）上，用 Uni3D_txt、CD_preserve、NC_preserve 等 3D 原生对齐/几何保持指标对比了 MVEdit、EditP23、FlowEdit、AnchorFlow、VoxHammer 与 Nano3D，称 TanGO 全面胜出；该协议之所以独立，是因为 3D 几何保持指标需要真值编辑掩码，而完整的 TanGOEdit 并不带掩码。⚠️ 这组数值的细节在补充材料里，正文未给出具体数字。
消融实验¶
| 配置 | 结果 | 说明 |
|---|---|---|
| Full TanGO（\(\lambda=5,\eta=0.2\)） | 各指标最优区域 | 完整模型 |
| w/o 增益归一化（\(\lambda_{\mathrm{eff}}\) 固定为常数 \(\lambda\)） | 部分时间步引导过弱导致欠编辑（目标形状改不出来），部分步引导过强伤结构 | 无法在整条轨迹上维持一致的引导强度；逐 token 相对权重不变，只是总能量失控 |
| 全局缩放（去掉逐 token 增益） | 弱于 TanGO | 退回对所有 token 同一强度，即本文要解决的问题本身 |
| 模长增益 \(\lvert v_{\mathrm{tar},i}-v_{\mathrm{src},i}\rvert\) | 弱于 TanGO | 受速度模长与时间步影响，非尺度不变 |
| 内积增益 \(\langle v_{\mathrm{src},i}, v_{\mathrm{tar},i}\rangle\) | 弱于 TanGO | 未归一化、缺少有界性 |
| \(\lambda \in \{1,2,3,5,7,10\}\) × \(\eta \in \{0.05,0.1,0.2,0.3,0.5\}\) | 在 \(\lambda=5,\eta=0.2\) 处 CLIP-I/CLIP-T 同时达峰，且随参数平滑变化 | 无尖峰或骤降，说明方法对中等幅度的超参扰动不敏感 |
| 换基座：TripoSG | 仍完成语义编辑，且在 2D 对齐与掩码感知 3D 保持指标上均优于 AnchorFlow | 说明逐 token 驱动不绑定 Hunyuan3D 2.1 的特定结构 |
效率对比（Table 3）表明逐 token 控制几乎不带来额外开销：
| 方法 | MVEdit | EditP23 | FlowEdit | AnchorFlow | TanGO (Ours) |
|---|---|---|---|---|---|
| 单次编辑耗时 (s) | 632.45 | 59.32 | 28.13 | 28.76 | 28.73 |
⚠️ 逐 token 增益设计的完整数值与跨模型结果同样在补充材料中，正文只给了结论方向。
关键发现¶
- 逐 token 的增益设计与平均增益归一化是两件独立且都必要的事：前者决定"哪些 token 被推"，后者决定"整条轨迹推得多狠"。消融显示去掉归一化会带来欠编辑，这是最直接的失效证据；而把逐 token 需求换成全局缩放、模长或内积式增益又都更差，说明"有界 + 尺度不变的方向失配"是这套机制的关键，而不是随便一个 token 级重加权就够。
- 保真度与文本对齐可以同向提升：传统上编辑方法容易在"改得多"和"保得住"之间取舍，TanGO 三项指标同时最高、形状保持的用户偏好差距还最大，说明抑制保留区信号并不会削弱编辑力度，反而是稳定编辑轨迹的前提——这恰好对应"全局缩放会让两者互相牵制"的分析。
- 超参不敏感：\(\lambda\) 从 1 到 10、\(\eta\) 从 0.05 到 0.5 的全网格扫描中指标平滑变化，默认点落在高性能区，作者据此认为方法无需精细调参即可实用；同时也承认（Fig. 8(a)）\(\lambda\) 过大会开始损害保真度。
- 泛化到其他 VecSet 基座：换到 TripoSG 后仍能完成编辑并优于 AnchorFlow，作者观察到 TripoSG 的结果几何更平滑，并把这一差异归因于其 3D VAE 的重建能力而非 TanGO 的优化过程本身。
- 效率与 FlowEdit/AnchorFlow 同级：约 28.7 秒/次，比 MVEdit（632s）和 EditP23（59s）快一个到两个量级，说明 token 级控制与归一化只带来可忽略的计算量。
亮点与洞察¶
- 把"编辑"翻译成一个有闭式解的控制问题，是这篇论文最"啊哈"的地方：一旦目标函数写成"沿目标方向的一阶推进减二次能量惩罚"并加上 span 约束，逐 token 增益就必然正比于需求；于是研究问题从"怎么设计一个编辑损失"变成"怎么定义一个有原则的需求"，搜索空间被大幅收窄，也顺带解释了为什么它不需要梯度优化、不需要掩码。
- 用 vMF 负对数似然给一个启发式指标找概率解释：\(1-\cos\theta_i\) 本身只是"方向差多少"，但把它读成方向性观测的负对数似然、把 \(\kappa/\rho\) 吸收进全局缩放，就自然给出了有界性与尺度不变性这两条设计约束的来源，这种"先定性质、再找定义"的写法很值得迁移。
- "相对分配"与"总能量"解耦的归一化技巧：\(\lambda_{\mathrm{eff}}(t)=\lambda\eta/(\bar g(t)+\varepsilon)\) 保住了 token 间的相对顺序、只重标定总量，可以直接迁移到任何"逐样本/逐 token 权重随步数漂移"的引导框架（如视频编辑的时间步引导、agent 的逐步奖励塑形），代价只是多维护一个滑动均值。
- 实证推翻刻板印象：用 locality score 与逐 token 影响可视化把"VecSet 是全局表示所以不能局部编辑"这一说法变成了可测量的结论（多数 token locality score > 0.96），提醒读者：注意力是全局的，不代表几何影响力是全局的。
局限与展望¶
- 作者明确承认：高频几何细节的保留上限由基座 3D VAE 的表示能力决定，与编辑算法无关；他们在换基座实验中也观察到类似现象（TripoSG 更平滑是 VAE 的重建能力差异）。可行的方向是更表达力强的潜表示，或引入像素级/3D 混合细化。
- 评测的一个结构性缺口：主基准 TanGOEdit 只有 100 个样本且不带真值掩码，因此 3D 几何保持指标只能在另建的小规模掩码子集上报告，正文未给出这类指标的具体数值，跨方法的 3D 保持结论目前依赖补充材料。
- 方法本身对"源条件与目标条件共享基座"这一假设有依赖：两条速度分支必须来自同一个流匹配模型，否则 \(\Delta v\) 的几何含义（同一切空间中的方向差）不成立；换基座的实验也只覆盖了同为 VecSet 的 TripoSG，未验证 TRELLIS 的 SLAT 等其他结构化表示。
- 需求定义只用方向不用模长，好处是稳定，代价是丢掉了"变化幅度"的信息——两个失配方向相同但幅度需求不同的 token 会拿到同样的增益，是否需要在方向项之外引入受控的幅度项（例如按 \(\lambda\) 分层的幅度调制），是一个值得试的改进点。
- 逐 token 控制目前是"每步重算"的（每步两次模型前向），耗时与 FlowEdit 持平但并没有更快；若能把 \(\bar g(t)\) 或需求分布的变化做成低成本的预测/复用，仍有压缩空间。
相关工作与启发¶
- vs FlowEdit：FlowEdit 在 2D 潜空间提出无反转的源/目标速度差编辑，是 TanGO 的直接思想来源。区别在于 FlowEdit 对整条轨迹施加全局缩放，而 TanGO 把控制下放到 VecSet 的每个 token 并给控制量加了 span 约束与能量项；本文的 Fig. 2 显示 FlowEdit 在 3D 上会出现明显的语义伪影，且本文主要实验也把它列在被超过的基线中。
- vs AnchorFlow：AnchorFlow 同样做免训练 3D 编辑，但走的是"潜锚点一致性 + 锚点对齐损失"的路线，需要针对编辑结果做优化式更新，且缩放依旧是全局/时间步相关的调度。TanGO 保留锚点式方法"不反转"的优点，却把更新换成每步闭式的逐 token 增益，因而既没有优化循环也不依赖掩码；用户研究里形状保持 87% vs 13% 的差距最能体现这一差别。
- vs SDS / 分数蒸馏类方法（DreamFusion、Magic3D、ProlificDreamer）：这一族把 2D 扩散先验通过可微渲染的梯度"提升"到 3D，编辑信号来自 2D 模型的分数差，每步都要反传到 3D 表示上，通常是优化式、代价高且容易过饱和。TanGO 不渲染、不蒸馏、不用 2D 先验：引导信号完全来自同一个 3D 流模型的两次条件速度预测之差，编辑是前向积分的解析更新。换句话说，SDS 是"借 2D 老师教 3D 学生"，TanGO 是"让 3D 模型自己告诉自己要往哪走、由谁至少走多少"。
- vs VoxHammer / Nano3D：VoxHammer 在体素潜空间复用反转潜变量与缓存特征来改善局部编辑，Nano3D 把 FlowEdit 扩展到 TRELLIS 并引入连通性感知的区域合并，两者都偏向"保留区复用/区域划分"的思路。TanGO 的差异是连掩码与区域划分都不要，把局部性交给模型自身的 token 局部影响力，因此更容易跨基座迁移（TripoSG 上直接可用）。
- vs Instant3dit：把编辑做成多视图图像修补再重建，管线重、依赖重建质量；TanGO 直接在原生 3D 潜空间编辑，只把多视图模型用在最后的贴图烘焙上，属于外围而非核心。
评分¶
- 新颖性: ⭐⭐⭐⭐ 把免训练 3D 编辑写成切空间上的单步最优控制并给出闭式逐 token 增益，视角新且有原则；核心构件（速度差编辑、token 级重加权）分别继承自 FlowEdit 与注意力缩放类工作，属组合式创新。
- 实验充分度: ⭐⭐⭐⭐ 有自建 100 样本基准 + 用户研究 + 超参扫描 + 换基座 + 耗时对比，覆盖面好；但主基准缺掩码、3D 原生几何指标与增益设计的完整数值只在补充材料里，正文无法独立核验。
- 写作质量: ⭐⭐⭐⭐ 动机到机制的推导链清晰（局部性观察 → 逐 token 驱动 → 控制律 → 需求定义 → 归一化），公式节制得当；少量关键定量结果（掩码评测、消融数值）被推给补充材料，削弱了正文自洽性。
- 价值: ⭐⭐⭐⭐ 方法免训练、无掩码、开销与 FlowEdit 同级，对实际 3D 设计工作流有直接可用性；收益上限受基座 3D VAE 表示能力限制，是这类方法共同的现实边界。