أدى التقدم في الذكاء الاصطناعي التوليدي ثلاثي الأبعاد إلى إمكانية إنشاء كائنات مادية من خلال أوامر نصية، لكن ما يزال هناك تحديات في إنشاء كائنات تتضمن أنواعًا متعددة من المكونات. نقدّم نموذجًا متكاملًا يدمج الذكاء الاصطناعي التوليدي ثلاثي الأبعاد مع نماذج الرؤية واللغة (VLMs) لتمكين الروبوتات من تجميع كائنات متعددة المكونات من لغة طبيعية. تعتمد طريقة العمل هذه على استخدام نماذج الرؤية واللغة لاستنتاجات متعددة الوسائط وصفرية المعاينة حول الشكل والوظيفة، بهدف تفكيك الشبكات المولّدة بواسطة الذكاء الاصطناعي إلى نماذج ثلاثية الأبعاد متعددة المكونات، باستخدام مكونات بنائية وصفائح مُحددة مسبقًا. ونُظهر أن نموذج VLM قادر على تحديد أي من مناطق الشبكة تتطلب مكونات صفائح إضافية إلى جانب المكونات البنائية، استنادًا إلى وظيفة الكائن. وتشير التقييمات المُنفَّذة على كائنات اختبارية إلى أن المستخدمين اختاروا التخصيصات المُولَّدة بواسطة VLM بنسبة 90.6%، مقارنة بـ 59.4% للنماذج القائمة على القواعد، و2.5% للتخصيصات العشوائية. وأخيرًا، يتيح النظام للمستخدمين تحسين تخصيصات المكونات من خلال مدخلات تفاعلية بالمحادثة، مما يعزز من التحكم البشري والسلطة في إنشاء كائنات مادية باستخدام الذكاء الاصطناعي التوليدي والروبوتات.