11月4日，一个叫 ComfyUI-LATO2 的开源节点上线，把神经重网格化模型 LATO.2 直接接进了 ComfyUI 的工作流。它要解决的问题很具体：AI 生成的3D模型往往是几十万个三角形的密集网格，看起来惊艳，但拿去做游戏或实时应用会立刻出问题，渲染开销大、多边形分布不均、内部还藏着看不见的面。这个节点把这些网格重建成只有几百到几千个顶点的干净模型，并且可以选择目标顶点数。原始 LATO.2 模型由华中科技大学、Meshy AI 与慕尼黑工业大学的研究者共同开发。
文生3D与图生3D的模型，输出的是三角网格。这类网格的生成过程本质上是把表面切成大量小面片去拟合形状，面数与细节成正比，所以模型倾向于多给面。50万到100万个三角形在离线渲染里不算什么，在实时管线里是灾难：手机端一个场景的预算可能只有几十万面，一个道具就把额度吃光。
面数只是表面问题。更要紧的是拓扑，也就是面与面之间的连接关系。生成出来的网格常常出现三种毛病：一是三角形大小极不均匀，密集处堆着头发丝细的三角形，平坦处一个大三角跨出半米；二是内部有隐藏面，模型在封闭体积里也生成了表面，这些面看不见却要参与计算；三是边的走向不符合物体的结构，弯曲处的边不沿着曲率走，蒙皮与动画时会撕裂。
这三个毛病决定了生成的模型只能当参考，不能当资产。美术拿到之后必须重拓扑，而重拓扑是3D行业里最耗时的工序之一，一个有经验的建模师处理一个角色要几小时到几天。整条 AI 生成链路的效率，就卡在这道人工工序上。
LATO.2 的做法是把重网格化拆成两步。第一步叫顶点流，一个学习型的流模型根据输入物体的形状与目标顶点数，生成一批新的顶点位置，顶点数可以指定，范围在200到5000之间。第二步叫拓扑流，另一个模型预测这些顶点之间哪些应该相连，从而生成边。
这个顺序与传统的网格简化完全相反。简化器是在已有的三角形集合上做删除与合并，删完之后剩下的边走向仍然沿袭原始网格的错误，因为它是从错误的结构里挑出来的。先生成顶点、再长出边，等于把连接关系重新推一遍，边的走向可以贴合物体的几何形状，而不是贴合原始面片。
顶点数可选这一点对生产很实用。同一个模型，游戏内道具给500个顶点，影视特写给5000个，不需要准备两套资产，改一个参数重跑即可。这种"按预算生成"的思路，与传统流程里"先做高模再拓扑出多个LOD"相比，省掉了中间那层手工判断。
行业里有一种更省事的做法叫减面，用二次误差度量之类的算法把三角形合并掉。它快、便宜、可预测，缺点是只能保留原有的形状近似，无法修正结构性问题。一个内部带隐藏面的模型，减面之后隐藏面还在；一个边走向混乱的模型，减面之后更混乱。
重建的代价是算力与不确定性。神经网络的输出不保证是流形，可能出现一条边属于三个面、面片朝向反了、或者出现孔洞。这就是 ComfyUI 集成里那几道工序存在的原因：表面重建根据预测的连接关系重新生成面，保证一条边最多属于两个面；孔洞填充用最小面积三角剖分把缝隙补上；朝外定向确定每个面的法线方向；内部表面移除用体素洪水填充把封闭体积里的隐藏内壁清掉。
这几步听起来像工程细节，实际上决定了工具能不能用。研究者交出的模型往往在论文指标上很好看，落到生产里第一件事就是修这些毛病。开源社区的价值恰好在这里：把论文到可用之间的那段脏活补上，并且让所有人都能用同一套修法。
这个节点由开发者 sakalond 完成集成，除了上面几道几何处理，还保留了原始的位置与缩放，让新网格能直接替换源物体，不用手动对齐。节点与 ComfyUI 原生的网格类型、三维预览、模型保存打通，附了四个示例工作流，其中一个是用 TRELLIS.2 生成再用 LATO.2 重建的完整链路。
把重网格化放进节点图，改变的是工作流形态。过去这一步在独立软件里做，导出来、处理、再导回去，每次修改都要重复一遍搬运。现在它是图上的一个节点，上游的生成参数一变，下游自动重跑。这种"参数化重跑"的能力，是节点式工具真正的价值，而不只是把功能堆在一个界面里。对做批量资产的工作室，一张图跑通之后可以换成批量队列，几十个模型排队进同一条链路。
门槛写在硬件要求里：至少8GB显存的英伟达显卡，Windows 或 Linux 系统，约13GB磁盘空间。8GB这个数字把门槛定在了中端消费级显卡，比很多生成模型友好，但也不是随便一台笔记本就能跑。13GB的磁盘占用主要来自模型权重与依赖，对本地部署的团队是常规开销。
真正的限制不在硬件，在流程适配。重网格化之后的模型，UV 需要重新展开，贴图需要重新烘焙，材质需要重新对位。这些步骤目前还得在 Blender 或其他软件里做，节点只解决了网格本身。所以对已经有一条成熟管线的工作室，这个工具能省掉重拓扑那几小时；对刚起步的团队，它会把问题从"模型太密"推进到"贴图怎么办"，而后一个问题同样需要人。