Anleitung zur Erstellung · Aktualisiert am 14. November 2026
Eine View erstellen.
Verwandle eine Idee in die 360°-Landschaft rund um deinen Room. Begleite ein Malediven-Panorama durch drei getestete Modellrouten – mit echten Bildern, nativen Größen, Reparaturen und Kosten.

Deine eigene View beginnen
Klone das öffentliche Projekt, öffne den Ordner in einem Agenten, der Bilder erzeugen und Python ausführen kann, und bitte ihn, den Skill build-a-view zu nutzen. Das integrierte Bildwerkzeug des Hosts kann das Ausgangsbild ohne externen API-Schlüssel erstellen; die Nutzungslimits des Hosts gelten weiterhin. Die hochauflösende Aufbereitung benötigt den API-Schlüssel deines gewählten Anbieters.
git clone https://github.com/EnterLocus/locus-support.git
cd locus-supportNutze den Skill build-a-view, um eine statische Vollkugel-View eines von mir beschriebenen Ortes zu erstellen. Zeige mir zuerst das Ausgangspanorama und, falls unterstützt, eine 360°-Vorschau. Warte, bis ich die Anordnung akzeptiere. Biete dann Modelle, geschätzte native Größen, Standard- oder Batch-Verarbeitung und einen aufgeschlüsselten Kostenplan an, bevor du eine bezahlte Aufbereitung startest.
Es gibt zwei Prüfpunkte: Akzeptiere zuerst das Ausgangsbild und seine Anordnung; wähle dann API-Modell, Zugangsdatenreferenz, geschätzte native Größe, Kostenplan und Verarbeitungsmodus. Nenne eine Umgebungsvariable wie OPENAI_API_KEY oder GEMINI_API_KEY, niemals einen geheimen Wert im Chat. Genehmige jede konkrete bezahlte Anfrage oder ausdrücklich einen aufgelisteten Gesamtplan mit gemeinsamem Limit. Ein Schlüssel oder Planungsbudget allein ist keine Genehmigung.
Eine 360°-Vorschau hängt vom verwendeten Host ab. Kann er sie nicht öffnen, bitte um eine verfügbare lokale interaktive Vorschau und perspektivische Ansichten. Ein flaches Bild zeigt nicht, wie jede Richtung aussieht.
Nutze diese Vorgaben: Restauriere das ganze niedrig aufgelöste Ausgangsbild, verbessere sechs Flächen mit Kontext, füge sie in tatsächlicher nativer Abtastdichte zusammen und prüfe dann jede Richtung, Verbindung und jeden Pol. Beginne ohne Reparaturen und reserviere bis zu zwei gezielte Ausgaben; weitere Versuche benötigen eigenen Umfang und Genehmigung.
Ein Original, drei Modellrouten
Dieser Vergleich beginnt mit demselben unveränderten integrierten Bild mit 1774×887. Der Prompt verlangte eine lagunenseitige Mitte und einen sauberen Umlauf; das Ausgangsbild zeigt stattdessen Palmen in der Mitte und hat einen Nahtfehler. Diese Entscheidungen wurden für den Vergleich akzeptiert und festgeschrieben. Die Aufbereitung rekonstruiert plausible Details und stellt keine fotografische Wahrheit wieder her.

Den exakten Original-Prompt lesen
Use case: photorealistic-natural. Asset type: a full spherical immersive skybox source, not a wide-angle photograph. Create one full 360-degree by 180-degree equirectangular panorama in an exact 2:1 canvas, 3840x1920 if supported. A serene Maldives island beach at eye level about 1.5m above fine white sand, looking out over luminous shallow turquoise water toward a clear level Indian Ocean horizon. In the opposite direction, the same beach continues into natural tropical palms and low lush island vegetation. No buildings, people, boats, text or logos. Warm clear midmorning daylight, realistic white sand, delicate small lapping waves, convincing individual palm fronds and natural vegetation. Full 360 longitude, full latitude from zenith to nadir. Camera has zero roll, horizon is perfectly level at exactly vertical center (50% height); beach and water are below center. Equirectangular longitude distortion and strong polar stretching are required; the entire top row is the single blue sky zenith, the entire bottom row the single sandy nadir directly under camera, with natural pole convergence when projected onto a sphere. The left and right borders must join as one continuous scene, with identical sky, horizon, ocean/beach geometry and lighting at the wrap; place the wrap in uncomplicated distant water/sky if possible. One coherent island with geometrically continuous shoreline and a calm comfortable seated-view atmosphere. Sharp detailed natural photographic rendering, restrained color and exposure; no oversharpening, no lens vignette, no collage, no inset views, no frame.GPT Image 2.6 nutzt das API-Modell gpt-image-2.6-sunburst, Nano Banana Pro nutzt gemini-3-pro-image. Beide erhielten dieselben Quelldaten. Die Abbildungen des ursprünglichen Vergleichs zeigen GPT links und Nano Banana Pro rechts. Der spätere Test mit Nano Banana 2.1 verwendet dieselbe unveränderte Quelle.
Zuerst das gesamte Panorama restaurieren
Eine stimmige Restaurierung des gesamten Panoramas erfolgt vor den Details der einzelnen Flächen. GPT lieferte 3840×1920 in Qualität high im Standard-Modus. Nano Banana nutzte zyklischen 21:9-Kontext in Standard 4K, lieferte 6336×2688 und wurde nach Entfernen der Ränder auf ein Panorama mit 5376×2688 verkleinert. Das Original bleibt unverändert.

Sechs Flächen, gemessene native Größe
Projiziere sechs Flächen mit etwa 102°: ein 90°-Kern und 6° Kontext auf jeder Seite. GPTs quadratische Eingaben mit 1186 Pixeln ergaben Flächen mit 2880 Pixeln; Nano Bananas Eingaben mit 1660 Pixeln ergaben 4096 Pixel. Die Eingaben wurden in Quelldichte projiziert und nicht auf die angeforderte Ausgabegröße vergrößert. Die erfolgreiche Probefläche ist eine der sechs Flächen.
Füge die zurückgegebenen Flächen direkt mit einer Überblendungshalbbreite von 0.25° zusammen. Berechne die endgültige 2:1-Größe aus dem tatsächlichen Verhältnis T von gespeicherter Fläche zu Kern und der zurückgegebenen Seitenlänge N. Diese konservative Abtastregel beschreibt Pixeldichte, nicht aufgelöste Details. Keines der Ergebnisse ist nativ 12K.
f_center = N / (2*T) pixels per radian
W = 2 * floor(pi*N / (2*T)); H = W/2
GPT: T=1186/960, N=2880 → 7322×3661
Nano: T=1660/1344, N=4096 → 10418×5209
Dies sind 512-Pixel-Ausschnitte der nativen Vorderseiten. Öffne das Bild in voller Größe zur 1:1-Prüfung. Wegen unterschiedlicher Pixeldichten zeigen sie verschiedene Winkel; der Vergleich mit gleichem Blickwinkel darunter eignet sich besser zur Beurteilung derselben Landschaft.
Die tatsächlich sichtbaren Probleme reparieren
Die rohe GPT-Zusammenfügung zeigte Facetten im Himmel und senkrechte Belichtungsstreifen. Lokale Farbtonanpassung verringerte die Facetten, und eine geschützte Maske behielt auf etwa einem Drittel der Fläche den stimmigen Himmel der globalen Restaurierung bei. Dieser Bereich interpoliert den Himmel mit 3840×1920, statt neue 7.3K-Details hinzuzufügen. Zwei bezahlte perspektivische Bearbeitungen mit 60° Sichtfeld bei yaw ±135° reparierten die verbliebenen Übergangsstreifen zwischen Himmel und Wasser.
Nano Bananas Nadir hatte einen radialen Sandstern. Die erste bezahlte Reparatur scheiterte und ist in den Kosten enthalten. Lokales Übertragen von Sandkörnung entfernte die radiale Form; eine zweite bezahlte Bearbeitung stellte Körnung wieder her und wurde lokal unter Schutz von Steinen, Schatten und Überlappungen eingesetzt. Eine lokale Korrektur des Umlaufs verringerte die schmale Himmelsnaht.

Bei Nano Banana bleiben eine breite Farbtontrennung am Himmelsübergang, zum Zenit zusammenlaufende Cirruswolken und ein glatteres Relief in der Nadir-Mitte. In diesen Ausgaben rekonstruierte GPT schärfere Blätter, Wasser und Sand; Nano Banana lieferte mehr Pixel mit weicheren Details. Mehr Pixel garantieren keine bessere View.


Die Bilder mit gleichem Blickwinkel verwenden identische Richtungen, Sichtfelder und ein Prüfraster von 768 Pixeln. Es sind perspektivische Neuabtastungen, keine zusätzlich generierten Details. Die Prüfung umfasste sechs Richtungen, alle 12 Würfelkanten, Pole, Umlauf und Reparaturgrenzen. Dies bleiben Vergleichskandidaten: Locus-Import, Darstellung auf einer physischen Vision Pro und Komfort sind nicht geprüft. Das Wasser ist in eine statische Skybox gemalt, ohne Bewegung, Tiefe oder Parallaxe.
Nano Banana 2.1: ein kostengünstigerer Folgetest
Am 14. November 2026 testeten wir gemini-nano-banana-2.1 mit derselben eingefrorenen Quelle und dem ursprünglichen Prompt. Alle neun Ausgaben liefen im Modus Standard: eine globale Wiederherstellung, sechs Würfelseiten und zwei Reparaturen. G lieferte 6336×2688, nach Entfernen der Kontextauffüllung 5376×2688; alle sechs Seiten kamen mit 4096×4096 zurück. Die Zusammenführung mit nativer Abtastdichte ergab 10418×5209, ohne erzwungene Vergrößerung auf 12K.

Die ursprüngliche nach unten gerichtete Würfelseite hatte eine Vertiefung und radial verzerrten Sand. R1 reichte nicht aus und bleibt in den Kosten enthalten. Eine lokale Reparatur mit Sandkornstruktur aus einem anderen Bildbereich ebnete die Geometrie; R2 stellte die Textur wieder her, die anschließend unter Schutz von Steinen, Schatten und Küstenlinie lokal eingesetzt wurde. Ein kleiner Pixelbereich aus dem Stand vor R2 entfernte eine erfundene Blattkante. Das lokale Werkzeug für die Himmelsnaht reduzierte einen schmalen keilförmigen Tonwertunterschied.

In dieser Szene lag 2.1 bei Blattwerk und Wasserdetails nahe an Pro, mit einem gleichmäßigeren Panoramaübergang und deutlicherem Korn im reparierten Nadir. Der GPT-Kandidat zeigte schärfer rekonstruiertes Blattwerk, Wassermuster und Sandrelief. Die drei Routen verwenden unterschiedliche lokale Reparaturen; eine einzelne Szene ergibt keine allgemeingültige Modellrangliste.

Die unabhängige Prüfung der statischen Bilder umfasste sechs Blickrichtungen, 12 Übergänge, die Panoramanaht, die Pole und Reparaturgrenzen in nativer Auflösung. Wachsartige Blätter, ein weicher Himmel, am Zenit zusammenlaufende Cirruswolken und flacheres repariertes Sandrelief bleiben sichtbar. Der Import in Locus und die Darstellung auf einer echten Vision Pro sind nicht verifiziert. Das Standardmodell bleibt unverändert.
Vor dem Bezahlen den ganzen Auftrag zählen
Zähle bezahlte Ausgaben als B + G + F + R + E: bezahlte Basisbilder, globale Wiederherstellungen, Würfelseiten, Reparaturen und zusätzliche Versuche. Hier gilt B=0, G=1, F=6, R=2, E=0: neun pro Route. Der ursprüngliche Vergleich mit zwei Routen nutzte 18 Ausgaben; der separate 2.1-Folgetest ergänzt neun, insgesamt also 27 für alle drei. Die akzeptierte Probeseite gehört zu F6. Auch eine verworfene Reparatur bleibt eine bezahlte Ausgabe; weitere Neugenerierungen erhöhen die Anzahl.
| Route | Natives Panorama | Nutzungsbasierte Kosten in USD |
|---|---|---|
| GPT Image 2.6 · Standard | 7322×3661 | $1.614237 |
| Nano Banana Pro · Standard G/R, Batch F6 | 10418×5209 | $1.471502 Restliche Token zum Texttarif $1.587014 Konservative Berechnung |
| Nano Banana 2.1 · Standard | 10418×5209 | $1.0942455 Restliche Token zum Texttarif $1.1840655 Konservative Berechnung |
Die ursprünglichen GPT/Pro-Tarife und Nutzungsdaten stammen vom 13. November 2026. Die $1.471502 für Nano Banana Pro setzen voraus, dass nicht klassifizierte Kandidaten-Tokens zum Texttarif berechnet werden; $1.587014 berücksichtigen vorsichtig die Unterschiede bei Tokenklassifizierung und Bildeingabe. Die konservative Gesamtrechnung für die ursprünglichen zwei Modelle beträgt $3.201251. Das sind Berechnungen anhand der Antwortnutzung, keine abgeglichenen Anbieterrechnungen und kein Festpreis für deine View.
Der 2.1-Test hatte eine eigene operative Obergrenze von $2. Die Bildausgaben kosteten zusammen $1.0206; die nutzungsbasierte Berechnung ergibt $1.0942455, wenn nicht klassifizierte Kandidaten-Tokens zum Texttarif angesetzt werden, oder $1.1840655, wenn dafür vorsichtig eine Reserve zum Bildtarif gebildet wird. Alle neun Anfragen liefen als Standard. Batch ist eine kalkulierte Alternative, kein ausgeführtes 2.1-Ergebnis. Die Abnahme im Headset steht noch aus.
Die sechs Würfelseiten von Nano Banana Pro wurden mit echten asynchronen Batch-Aufträgen erzeugt, einschließlich der Probeseite. Batch senkt die Bildausgabegebühr um 50%, doch jeder Auftrag kann etwa 24 Stunden dauern, und abhängige Schritte müssen warten. Wähle Standard oder Batch vor der eigentlichen Produktion. Biete GPT Batch erst an, wenn die Eignung des konkreten Modells, Kontos und Endpunkts bestätigt ist.
R = approved repair outputs (0..2)
GPT high / Standard image-output subtotal:
$0.081 + (6+R)*$0.1779 = $1.1484..$1.5042
Nano Standard G/R + Batch F6 image-output subtotal:
$0.24 + 6*$0.12 + R*$0.24 = $0.96..$1.44
Nano Banana 2.1 Standard image-output subtotal:
(7+R)*$0.1134 = $0.7938..$1.0206
Nano Banana 2.1 modeled Standard G/R + Batch F6:
(1+R)*$0.1134 + 6*$0.0567 = $0.4536..$0.6804
Total = image outputs + image/text inputs + text/thinking outputsDie Ausgabe-Zwischensumme ist nur ein Teil der Rechnung. Nutze tatsächliche Antwortzähler für Eingabe- und Denkgebühren, trenne unbekannten Zusatzaufwand und Reserven und prüfe vor einem neuen Angebot die aktuellen Anbieterpreise. Lokale Projektion, Zusammenfügung und Rekonstruktion verursachen keine Bild-API-Gebühren; Agentenabonnements und Speicher sind separat.
Alle Kostenformeln und Batch-Regeln lesen · Alle 27 Anfragezähler ansehen
Herunterladen, prüfen und importieren
Die bereitgestellten JPEGs behalten ihre nativen Abmessungen bei und verwenden Qualität 95 mit 4:4:4-Abtastung. Lade einen Kandidaten herunter, speichere ihn in iCloud Drive/Locus und warte, bis die App Dateien auf Apple Vision Pro ihn öffnen kann. Öffne in Locus Places → Import → Import a View → Files und wähle das JPEG. Prüfe Panoramanaht, Pole, Maßstab und Komfort im Headset, bevor du dein eigenes Ergebnis akzeptierst.
Archive für Erstellung und Prüfung herunterladen
- GPT-Rohausgaben, Eingaben und Prompts · 139.58 MB
- Nano-Banana-Ausgaben, fehlgeschlagene Reparatur und Eingaben · 197.33 MB
- Perspektivische Prüfungen und Reparaturmasken · 83.38 MB
- Nano Banana 2.1: Eingaben, native Ausgaben, Reparaturen und Nutzungszähler · 147.11 MB
- Prüfbelege für Nano Banana 2.1 und den Vergleich der drei Routen · 169.94 MB
Gespeicherte Ausgaben ohne neue API-Aufrufe zusammensetzen · Dateigrößen und SHA-256-Identitäten prüfen
Der öffentliche Skill, die Skripte und Rezepte stehen unter Apache-2.0; für die Demobilder gelten separate Bedingungen in der Lizenzübersicht des Repositorys.
Kostenlose Räume und ausgewählte kostenlose Views kannst du als Beispiele zum Lernen herunterladen, einige mit ihrer Blender-Quelldatei. Beispiele in der Galerie ansehen.
Coding-Agents können in place-examples.json URL, Größe, SHA-256, Funktionen und Lizenz jedes Downloads nachlesen.