SLIM அறிமுகம்: அளவிடக்கூடிய, இலகுவான மற்றும் ஊடாடும் மாதிரிகள்
ஒவ்வொரு சாதனத்திற்கும் பெரிய மற்றும் மிகவும் விரிவான உலகங்களை உருவாக்க, இலகுரக ரெண்டரிங் கலவைகளின் ஆற்றலைப் பயன்படுத்துதல்

ராப்ளாக்ஸ், எளிமையான மினி கேம்கள் முதல் உயர்-விசுவாசத்தன்மை கொண்ட 3D சொத்துக்கள் நிறைந்த பரந்த திறந்த உலகங்கள் வரை மில்லியன் கணக்கான அனுபவங்களுக்கு இல்லமாக உள்ளது. எங்கள் குறிக்கோள், படைப்பாளிகள் பரந்த அளவிலான பயனர் சாதனங்களில் கற்பனை செய்யும், பெருகிய முறையில் அடர்த்தியான மற்றும் சிக்கலான அனுபவங்களை ஆதரிப்பதாகும். இதற்கு எங்கள் இயந்திரம், உள்ளடக்க விநியோக அமைப்புகள் மற்றும் உள்கட்டமைப்பில் புதுமை தேவைப்படுகிறது. அளவிடக்கூடிய இலகுவான ஊடாடும் மாதிரிகள், அல்லது SLIM, என்பது ஒரு பல-பகுதி மேம்பாட்டு முயற்சியின் ஒரு பகுதியாகும். இது செயல்திறனை சமரசம் செய்யாமல், படைப்பாளிகள் தங்கள் பெரிய கலை பார்வைகளை அடைய உதவுகிறது.
SLIM ஆனது, ஒரு ரோப்லாக்ஸ் அனுபவத்தில் உள்ள எந்தவொரு பொருளின் இலகுவான பிரதிநிதித்துவங்களை உருவாக்குநர்கள் தானாகவே உருவாக்க அனுமதிக்கிறது, மேலும் ஒரு வலுவான, தடையற்ற உலகத்தை ரெண்டர் செய்ய கிளையன்ட்டிற்குத் தேவையான டிரா அழைப்புகள், முக்கோணங்கள் மற்றும் தரவு மாதிரி நிகழ்வுகளின் எண்ணிக்கையைக் குறைக்கிறது. SLIM எங்கள் ஸ்ட்ரீமிங் மாதிரிகளுக்கு உள்ளடக்கத்தை மேம்படுத்த சக்திவாய்ந்த புதிய வழிகளை வழங்குகிறது, இது உயர் ரக கேமிங் கணினியைக் கொண்ட ஒரு பயனரும், குறைந்த ரக மொபைல் சாதனத்தைக் கொண்ட ஒரு பயனரும் ஒரே அனுபவத்தைப் பகிர்ந்து கொள்ள அனுமதிக்கிறது, மேலும் அவரவர் சாதனத்தால் கையாளக்கூடிய மிக உயர்ந்த தரத்தில் அதை அனுபவிக்கவும் செய்கிறது.

உதாரண ஸ்ட்ரீமிங் மற்றும் SLIM இல்லாமல் | உதாரண ஸ்ட்ரீமிங் மற்றும் SLIM உடன் | |
வாடிக்கையாளர் தரவு மாதிரி நிகழ்வுகள் | 159,745 | 92,536 |
முக்கோணங்கள் | 20M | 3.35M |
வரைகலை அழைப்புகள் | 2,402 | 1,454 |
ஸ்ட்ரீமிங்கின் இரண்டு தூண்கள்: நிகழ்வுகள் மற்றும் சொத்துக்கள்
உங்களுக்குப் பிடித்த ஸ்ட்ரீமிங் சேவையில் ஒரு திரைப்படத்தைப் பார்க்கும்போது, நீங்கள் பார்க்கத் தொடங்குவதற்கு முன்பு உங்கள் சாதனம் முழு கோப்பையும் பதிவிறக்கம் செய்வதில்லை. அது நீங்கள் உடனடியாகப் பார்க்கத் தொடங்குவதற்குப் போதுமான தரவுகளை மட்டும் பதிவிறக்கம் செய்து, பின்னர் அடுத்த சில வினாடிகளைத் தொடர்ந்து பதிவிறக்கம் (அல்லது பஃபர்) செய்கிறது, இதனால் உங்கள் அனுபவத்தில் எந்த இடையூறும் ஏற்படாது. நீங்கள் ஒரு குறைந்த தர சாதனம் அல்லது மெதுவான இணைப்பில் ஸ்ட்ரீமிங் செய்தால், உயர்-தரமான உள்ளடக்கத்தை ஸ்ட்ரீம் செய்யத் தேவையான தரவைப் பதிவிறக்கம் செய்யும் அதே வேளையில், தளம் தானாகவே உங்களுக்கு குறைந்த-தரமான உள்ளடக்கத்தின் பதிப்பை அனுப்புகிறது.
Roblox உடனடியாக உள்ளடக்கத்தை ஸ்ட்ரீம் செய்ய இதேபோன்ற ஒரு கருத்தை பயன்படுத்துகிறது, ஆனால் உயர்-துல்லியமான 3D சிமுலேஷனைக் காட்டத் தேவையான தரவு அதன் சொந்த சவால்களை முன்வைக்கிறது. ஒரு வீடியோ ஒரே கண்ணோட்டத்தில் பார்க்கப்படும் உள்ளடக்கத்தின் நேரியல் காலவரிசையைக் கொண்டிருக்கும் நிலையில், Roblox அனுபவங்கள் பயனரால் கட்டுப்படுத்தப்படும் பல கண்ணோட்டங்களிலிருந்து பார்க்கக்கூடிய பல வகையான சொத்துக்கள் நிறைந்த பரந்த, ஊடாடும் 3D உலகங்களைக் கொண்டுள்ளன. விளையாடும், ஆராய்ந்து, இறுதியாக பல்வேறு வகையான சாதனங்களிலிருந்து உள்ளடக்கத்தை ஸ்ட்ரீம் செய்யும் 151.5 மில்லியன் தினசரி செயலில் உள்ள பயனர்களைச் சேர்க்கும்போது, உள்ளடக்கம் வழங்கப்படும் மற்றும் காட்டப்படும் விதத்தை மேம்படுத்துவதற்கான மகத்தான சாத்தியக்கூறுகள் உள்ளன.1
ஒரு பயனர் Roblox-இல் காணும் அனைத்தும்—ஒரு கார், ஒரு மரம், ஒரு அவதாரம் அல்லது ஒரு கட்டிடம்—இன்ஜினுக்குள் பல நிகழ்வுகளாக (instances) பிரதிநிதித்துவப்படுத்தப்படுகின்றன. உதாரணமாக, பயன்படுத்தக்கூடிய ஒரு கார், பம்பர்கள், கதவுகள், சக்கரங்கள் போன்றவற்றிற்கான நிகழ்வுகளாகப் பிரிக்கப்பட்டுள்ளது. ஒவ்வொரு நிகழ்வும், 3D மெஷ், டெக்ஸ்ச்சர், அனிமேஷன் மற்றும் ஆடியோ போன்ற பல சொத்துக்களைப் (assets) பயன்படுத்தி அனுபவத்தில் கட்டமைக்கப்படுகிறது.
Roblox-இல் உள்ள கிட்டத்தட்ட அனைத்து ஸ்ட்ரீமிங்கும் இரண்டு முக்கிய தொழில்நுட்பங்களாகப் பிரிக்கப்பட்டுள்ளன: இன்ஸ்டன்ஸ் ஸ்ட்ரீமிங் மற்றும் அசெட் ஸ்ட்ரீமிங்.
- இன்ஸ்டன்ஸ் ஸ்ட்ரீமிங், ஒரு பயனரின் சாதனம் எந்த இன்ஸ்டன்ஸ்களை ஸ்ட்ரீம் செய்ய வேண்டும் என்பதைத் தீர்மானிக்கிறது. பயனரால் இன்னும் பார்க்கவோ அல்லது தொடர்பு கொள்ளவோ முடியாத அனுபவத்தின் பகுதிகளை ஸ்ட்ரீம் செய்யத் தேவையில்லை. மேலே உள்ள எடுத்துக்காட்டில், அருகிலுள்ள கட்டிடங்களைக் குறிக்கும் இன்ஸ்டன்ஸ்கள் மட்டுமே கிளையண்டிற்குள் ஸ்ட்ரீம் செய்யப்படுகின்றன.
- ஆசெட் ஸ்ட்ரீமிங், ஸ்ட்ரீம் செய்யப்பட்ட நிகழ்வுகளின் தரத்தைத் தீர்மானிக்கிறது. பயனரால் நுணுக்கமான விவரங்களைக் கண்டறிய முடியாத அளவுக்கு வெகு தொலைவில் உள்ள ஒரு மலைக்கு உயர்-தெளிவுத்திறன் கொண்ட 4K டெக்ஸ்ச்சரை பதிவிறக்கம் செய்ய வேண்டிய அவசியமில்லை. மேலே உள்ள படத்தில், தொலைவில் உள்ள கட்டிடங்கள் மற்றும் சிறிய அளவு திரை இடத்தை எடுத்துக்கொள்ளும் கட்டிடங்கள் டெசிமேட்டட் மெஷ்கள் மற்றும் குறைந்த-தெளிவுத்திறன் கொண்ட டெக்ஸ்ச்சரைகளைப் பயன்படுத்துகின்றன.
இந்த செயல்பாட்டிற்கான மைய மூளை, ஹார்மனி என்று நாங்கள் அழைக்கும் ஒரு அமைப்பாகும், இது ஒவ்வொரு ஃபிரேமிலும் ஒவ்வொரு பயனரின் கிடைக்கக்கூடிய வளங்களைக் கண்காணிக்கிறது. ஒரு சாதனத்தின் நினைவகம், GPU மற்றும் CPU சுமை, மற்றும் நெட்வொர்க் அலைவரிசை ஆகியவற்றின் அடிப்படையில் சிறந்த அனுபவத்தை வழங்க, ஹார்மனி இன்ஸ்டன்ஸ் மற்றும் அசெட் ஸ்ட்ரீமிங் இரண்டையும் சரிசெய்கிறது. ஒரு உயர் ரக கேமிங் கணினிக்காக, ஹார்மனி அனைத்தையும் மிக உயர்ந்த தரத்திற்கு உயர்த்துகிறது. பலவீனமான இணைப்பு கொண்ட ஒரு மொபைல் சாதனத்திற்கு, பயனர் அனுபவத்தை சீராக வைத்திருக்க இது தானாகவே தரத்தைக் குறைக்கிறது.
டெக் டாக்ஸ் பாட்காஸ்டின் 30வது எபிசோடில், ஸ்ட்ரீமிங், கிளவுட் டிரான்ஸ்கோடிங் மற்றும் SLIM ஆகியவற்றுக்குப் பின்னால் உள்ள தொழில்நுட்பத்தைப் பற்றி இந்தக் குழு விவாதித்தது.
SLIM: அளவிடக்கூடிய இலகுவான ஊடாடும் மாதிரிகள்
SLIM-இன் முக்கிய யோசனை எளிமையானது ஆனால் சக்திவாய்ந்தது: ஒரு உருவாக்குநரின் உலகில் உள்ள எந்தவொரு பொருள் அல்லது மாதிரியின் பல இலகுரக, உகந்தமாக்கப்பட்ட பிரதிநிதித்துவங்களை SLIM தானாகவே உருவாக்கி, அவற்றை இயக்க நேரத்தில் மீட்டெடுக்க சேவையகத்தில் சேமிக்க முடியும். பின்னர் ஒவ்வொரு பயனரின் கிளையன்ட்டும், சாதனத்தில் உள்ள வளங்களைப் பொறுத்து, அசல் நிகழ்வுகள் மற்றும் சொத்துக்களை ரெண்டர் செய்வதற்கும் அல்லது இலகுரக SLIM பிரதிநிதித்துவங்களில் ஒன்றுக்கு மாறுவதற்கும் இடையில் டைனமிக்காக மாற முடியும்.
SLIM ஒரு இலகுவான பிரதிநிதித்துவத்தை உருவாக்க இரண்டு முக்கிய நுட்பங்களைப் பயன்படுத்துகிறது:
1. தொகுத்தல்
முதலில், SLIM பல பகுதிகளைக் குறைவான பகுதிகளாக இணைக்கிறது. கீழே உள்ள காருக்கு 112 தனித்தனி மெஷ்கள் மற்றும் 24 தனித்தனி டெக்ஸ்ச்சர்கள் தேவைப்படுவதற்குப் பதிலாக, அதன் இலகுரக பிரதிநிதித்துவத்திற்கு ஒரு மெஷ் மற்றும் நான்கு டெக்ஸ்ச்சர்கள் மட்டுமே தேவைப்படலாம். இந்த ஒருங்கிணைப்பு செயல்முறை, எஞ்சின் இறுதியில் உள்ளடக்கத்தை எவ்வாறு ரெண்டர் செய்யும் என்பதற்குப் பொருந்தும் வகையில் துல்லியமாகச் சரிசெய்யப்பட்டுள்ளது. இது ஒரு பொருளுக்குள் கண்ணுக்குத் தெரியாத ஜியோமெட்ரியை நீக்கி, அதை ரெண்டர் செய்யத் தேவையான டிரா அழைப்புகளின் எண்ணிக்கையைக் குறைக்கிறது.

2. விவர நிலை (LoD)
மாடலை ஒருங்கிணைத்த பிறகு, SLIM வெவ்வேறு விவர நிலைகளில் பல பதிப்புகளை உருவாக்குகிறது. இதன் பொருள், பாரம்பரிய LoD நுட்பங்களைப் பயன்படுத்தி எந்தவொரு தனிப்பட்ட மெஷ் அல்லது டெக்ஸ்ச்சர் சொத்தையும் உருவாக்குவது போலவே, குறிப்பிடத்தக்க அளவு குறைவான முக்கோணங்களைக் கொண்ட 3D மெஷின் பதிப்புகளை உருவாக்குவதும், மிகவும் குறைந்த தெளிவுத்திறன்களில் டெக்ஸ்ச்சர்களை உருவாக்குவதும் ஆகும். ஒவ்வொரு அடிப்படை நிகழ்வின் தனிப்பட்ட ஆயத்தொலைவுச் சட்டங்கள் எங்களிடம் இருப்பதால், SLIM மாடல்களுக்குப் பயன்படுத்தப்படும்போது இந்த நுட்பங்களை மேலும் உகப்பாக்க முடியும். படைப்பாளி இந்த சொத்துக்கள் ஒவ்வொன்றையும் ஒன்றாக எப்படி ரெண்டர் செய்ய விரும்பினார் என்பதற்கான முழுமையான சூழலை இது எங்களுக்கு வழங்குகிறது. இந்த அறிவுடன், தேவையற்ற விவரங்களை எங்கு நீக்குவது மற்றும் பயனர்கள் கவனிக்கும் விவரங்களை எங்கு வைத்திருப்பது என்பது பற்றி மேலும் தகவலறிந்த முடிவுகளை எடுக்க SLIM நமக்கு உதவுகிறது.

சரியான நேரத்தில் சரியான பிரதிநிதித்துவம்
ஒரு பொருளின் பல பிரதிநிதித்துவங்களை நாம் உருவாக்கியவுடன், ஒரு குறிப்பிட்ட பயனரின் சாதனத்திற்கு எதைப் பயன்படுத்துவது அல்லது அதற்குப் பதிலாக பாரம்பரிய ரெண்டரிங் நுட்பங்களைப் பயன்படுத்துவதா என்பதை SLIM தீர்மானிக்க வேண்டும். இந்த அமைப்பு உலகை மூன்று தனித்துவமான பகுதிகளாகப் பிரிக்கிறது. இந்தப் பகுதிகளைப் பற்றி நினைப்பதற்கான ஒரு எளிய வழி, பிளேயரிலிருந்து வெளிப்புறமாக விரிவடையும் மையப்படுத்தப்பட்ட விவரங்களின் வட்டங்களைக் கற்பனை செய்வதாகும்.

HH பகுதி (அதிக எடை நிகழ்வுகள், அதிக எடை ரெண்டரிங்)
HH பிராந்தியத்தில், முழுமையான, ஹெவிவெயிட் நிகழ்வுகள் சேவையகத்திலிருந்து வாடிக்கையாளர் தரவு மாதிரிக்காக ஸ்ட்ரீம் செய்யப்படுகின்றன, மேலும் ஒவ்வொரு நிகழ்விற்கும் பதிவிறக்கம் செய்து ரெண்டர் செய்ய வேண்டிய குறிப்பிட்ட சொத்து பிரதிநிதித்துவத்தை வாடிக்கையாளர் தீர்மானிக்கிறார். இந்த பிராந்தியத்தில் மெஷ் LoDs மற்றும் டெக்ஸ்சர் mips மூலம் அளவிடுதல் இன்னும் சாத்தியமாகும், ஆனால் கலவை இல்லை. SLIM-க்கு முன்பு, ஒரு அனுபவத்திற்குள் ஸ்ட்ரீம் செய்யப்பட்ட ஒவ்வொரு நிகழ்வும் இப்படித்தான் ரெண்டர் செய்யப்பட்டது.
HL பகுதி (பளுவான நிகழ்வுகள், இலகுவான ரெண்டரிங்)
HL பகுதி HH மற்றும் LL பகுதிகளுக்கு இடையில் அமைந்துள்ளது. இந்தப் பகுதியில், கிளையன்ட் தரவு மாதிரியில் ஹெவிவெயிட் நிகழ்வுகளைக் கொண்டுள்ளது, ஆனால் முழு ரெண்டர் பைப்லைன் அல்லது SLIM பைப்லைன் இரண்டில் ஒன்றைப் பயன்படுத்தி ரெண்டர் செய்யத் தேர்வு செய்யலாம். பயனர் நெட்வொர்க் தாமதத்தை எதிர்கொண்டாலும், HH மற்றும் LL பகுதிகளுக்கு இடையில் தடையற்ற மாற்றத்தை உறுதிசெய்ய இந்தப் பகுதி தன்னைத் தானே மாற்றியமைத்துக் கொள்கிறது. HH மற்றும் HL பகுதிகளுக்கு இடையிலான மாற்றும் புள்ளி மாறக்கூடியது, இது இரு திசைகளிலும் வளங்களின் திடீர் அதிகரிப்புக்கு பதிலளிக்கும் வகையில் ஹார்மனி உடனடியாக அளவை அதிகரிக்க அல்லது குறைக்க அனுமதிக்கிறது.
LL பகுதி (இலகுவான நிகழ்வுகள், இலகுவான ரெண்டரிங்)
LL பிராந்தியத்தில், SLIM மாதிரிக்கான ஒரு ஆயத்தொலைவுச் சட்டகத்தை வரையறுக்கத் தேவையான நிகழ்வுகளின் மிகவும் இலகுவான பிரதிநிதித்துவங்களை மட்டுமே, மிகக் குறைந்த மெட்டாடேட்டாவுடன் வாடிக்கையாளர் ஸ்ட்ரீம் செய்கிறார். இந்தப் பிராந்தியத்தில் ஒவ்வொரு தனிப்பட்ட நிகழ்வு மற்றும் சொத்தையும் ரெண்டர் செய்வதற்குப் பதிலாக, இலகுவான கூட்டு SLIM மாதிரிகள் மட்டுமே ரெண்டர் செய்யப்படுகின்றன. ஒவ்வொரு ஹெவிவெயிட் நிகழ்வையும் ஸ்ட்ரீம் செய்வதற்கும் பாரம்பரிய ரெண்டர் பைப்லைனைப் பயன்படுத்துவதற்கும் ஒப்பிடும்போது, LL பிராந்தியத்திற்கு மிகக் குறைவான முக்கோணங்கள் மற்றும் டிரா அழைப்புகள் தேவைப்படுகின்றன, மேலும் இது பயனரின் சாதனத்தில் நினைவகப் பயன்பாட்டைக் குறைக்கிறது.
இந்தப் பகுதி நுட்பம், ஒவ்வொரு கனமான நிகழ்வு மற்றும் சொத்தையும் ஒரே நேரத்தில் பயன்படுத்துவதன் முழு கணக்கீட்டுச் செலவை ஏற்காமல், முழுமையான பார்வைக்குத் தெரிந்த உலகத்தை எல்லா நேரங்களிலும் ரெண்டர் செய்ய கிளையண்ட்டை அனுமதிக்கிறது. தொலைதூரப் பொருட்கள் மிகவும் உகந்தப்படுத்தப்பட்ட, இலகுவான பிரதிநிதித்துவங்களாக உள்ளன, பயனர் நெருங்கி வரும்போது அவை அவற்றின் உயர்-விசுவாசமான பிரதிகளால் மாற்றப்படுகின்றன. கலவைகளையும் பல அளவுகளில் உள்ள LoD மாடல்களையும் உருவாக்கும் SLIM-இன் திறன், ஒவ்வொரு பயனரின் சாதனத்திற்கும் சொத்துகளின் தரத்தை மேம்படுத்த ஹார்மனிக்கு மேலும் பல வழிமுறைகளை வழங்குகிறது.
அனைத்தும் ஒன்றாக இணைந்தபோது, விளையாடுபவர் முழுமையாக மூழ்கியிருப்பதை உணர வேண்டும், மேலும் எந்தவொரு மாற்றும் புள்ளிகளையோ அல்லது மாறுபடும் விவர நிலைகளையோ கவனிக்கக்கூடாது.
எதிர்காலம்: SLIM-இன் அடுத்த கட்டம் என்ன?
SLIM என்பது ஒரு பலகட்ட பயணத்தின் முதல் படி மட்டுமே, மேலும் படைப்பாளர்கள் இந்தத் தொழில்நுட்பத்தைத் தங்கள் பணிப்பாய்வுகளில் எவ்வாறு ஒருங்கிணைக்கிறார்கள் என்பதைக் காண நாங்கள் ஆவலுடன் உள்ளோம். எதிர்காலத்தில் SLIM-ஐ இரண்டு முக்கிய திசைகளில் விரிவுபடுத்துவதை நாங்கள் ஆராய்ந்து வருகிறோம்.
SLIM செய்யக்கூடிய பிற என்ன என்பதைத் தீர்மானித்தல்
ஸ்டுடியோவில் படைப்பாளிகள் நியமிக்கும் நிலையான மாடல்களுடன் நாங்கள் தொடங்குகிறோம், ஆனால் எதிர்காலத்தில், SLIM ஆனது ரோப்லாக்ஸில் உள்ள மிகவும் சிக்கலான சில மாடல்களையும் மேம்படுத்தும் திறன் கொண்டிருக்கும்: பிளாட்ஃபார்ம் அவதாரங்கள். அவதாரங்கள், அவற்றுடன் தொடர்புடைய அனைத்து அனிமேஷன்கள், அடுக்கு ஆடைகள் மற்றும் அணிகலன்கள் ஆகியவற்றுடன், படைப்பாளிகளுக்கு ஒரு கணிக்க முடியாத மாறியாக இருக்கலாம். அவதாரங்களை SLIM செய்ய அனுமதிப்பது என்பது, ஒரு தனிப்பட்ட அவதார் மாடல் பயன்படுத்தும் வளங்களை எஞ்சின் திறம்பட கட்டுப்படுத்த முடியும் என்பதாகும்.
இறுதியில், டைனமிக் மாடல்களில் ஏற்படும் மாற்றங்களுக்காக SLIM-ஐப் பயன்படுத்தும் விருப்பத்தை உருவாக்குநர்களுக்கு வழங்க விரும்புகிறோம். சர்வர் தீவிரமாக மாற்றங்களைச் செய்யக்கூடிய (எ.கா., ஒரு கதவு திறக்கிறது அல்லது ஒரு பகுதி அழிக்கப்படுகிறது) ஒரு மாடலைக் கற்பனை செய்து பாருங்கள், ஆனால் சில புத்திசாலித்தனமான தந்திரங்களைப் பயன்படுத்தி, கிளையன்ட் அதே இலகுவான பிரதிநிதித்துவத்தை மீண்டும் பயன்படுத்த முடியும்.
SLIM பைப்லைனை மேம்படுத்துதல்
இப்போது எங்களிடம் எஞ்சினுக்கு நெகிழ்வுத்தன்மையின் ஒரு புதிய பரிமாணத்தை வழங்கும் ஒரு முழுமையான பைப்லைன் இருப்பதால், அந்த பைப்லைனையே மேலும் புத்திசாலித்தனமாகவும், வேகமாகவும், திறமையாகவும் மாற்றுவதில் நாங்கள் கவனம் செலுத்துகிறோம். இதில் அடங்குபவை:
- உரைமம் மறு-அட்டவணைப்படுத்தல்: பல மாதிரி உரைமங்களை ஒரு ஒற்றை, மேம்படுத்தப்பட்ட உரைமத் தாளில் புத்திசாலித்தனமாக அடுக்குதல்.
- தானியங்கி பிரிவுபடுத்துதல்: உலகின் செமண்டிக் மற்றும் இடஞ்சார்ந்த புரிதலைப் பயன்படுத்தி, சிறந்த SLIM- செய்யக்கூடிய மாடல்களைத் தானாகவே அடையாளம் காணுதல்.
- இலகுவான பிரதிநிதித்துவங்கள்: தாமதத்தைச் சார்ந்திராத இயக்கவியல் பொருட்களுக்கு, கிளையண்டில் ரெண்டர் செய்வதற்கு கிட்டத்தட்ட வளங்கள் இல்லாத 2D பிரதிநிதித்துவங்களை உருவாக்குவதை நாங்கள் ஆராய்ந்து வருகிறோம்.
- வரிசைப்படுத்தப்பட்ட SLIM: SLIM மாதிரிகளை ஒன்றன்பின் ஒன்றாக அடுக்கி, முழு நிகழ்வுகளின் குழுவையும் எளிமைப்படுத்தலாம் மற்றும் இயந்திரம் நுணுக்கத்தின் நிலைகளுக்கு இடையில் இயக்கமாகத் தேர்ந்தெடுக்க முடியும்—எ.கா., ஒரு தனி மரத்திலிருந்து ஒரு காடு, பின்னர் காடுகள் மற்றும் பிற பொருட்களால் நிறைந்த ஒரு முழு நிலப்பரப்பு வரை.
- தரத்தை உயர்த்துதல் (Up-rezzing): இன்று, செயல்திறனுக்காக தரத்தைக் குறைப்பதில் நாங்கள் கவனம் செலுத்துகிறோம், ஆனால் மிக விரைவில், இந்த அதே அமைப்பு படைப்பாளரின் அசல் கலை நோக்கத்தைத் தக்க வைத்துக் கொண்டு, எதிர்கால வன்பொருளுக்கான சொத்துகளின் தெளிவுத்திறனை அதிகரிக்க எங்களை அனுமதிக்கும். இந்த புதிய கட்டமைப்பு, எங்கள் இயந்திரம் யதார்த்தத்தை உருவகப்படுத்துவதில் சிறப்பாகச் செயல்படும்போது, அது பயன்படுத்தும் பிரதிநிதித்துவங்களை நாங்கள் தொடர்ந்து மேம்படுத்த முடியும் என்பதைக் குறிக்கிறது.
ஹார்மனி மற்றும் எங்கள் ஸ்ட்ரீமிங் மற்றும் உள்ளடக்க விநியோக கட்டமைப்பின் மற்ற பகுதிகளுடன் இணைந்து, SLIM, அதிக வீரர்களுக்கு பரந்த மற்றும் விரிவான உலகங்களை ஆதரிக்கும் எங்கள் பார்வையில் ஒரு பெரிய முன்னேற்றமாகும். எங்கள் இயந்திரம், உள்ளடக்க விநியோகம் மற்றும் கிளவுட் உள்கட்டமைப்பின் நெருங்கிய ஒருங்கிணைப்பு, மில்லியன் கணக்கான படைப்பாளர்களிடமிருந்து வரும் பரந்த உள்ளடக்கத்துடன் இணைந்து, முழு அனுபவத்தையும் மேம்படுத்தும் ஆழமாக ஒன்றோடொன்று இணைக்கப்பட்ட அமைப்புகளை உருவாக்க எங்களை அனுமதிக்கிறது. எங்கள் இயந்திரம் யதார்த்தத்தைப் பிரதிபலிப்பதில் சிறப்பாகச் செயல்படச் செயல்பட, அது பயன்படுத்தும் பிரதிநிதித்துவங்களை நாங்கள் தொடர்ந்து மேம்படுத்த முடியும். இன்று, செயல்திறனுக்காக மேம்படுத்துவதில் நாங்கள் கவனம் செலுத்துகிறோம், ஆனால் மிக விரைவில், இந்த அதே அமைப்பு படைப்பாளர்களின் அசல் கலை நோக்கத்தைப் பேணியபடி, எதிர்கால வன்பொருட்களுக்காக சொத்துக்களை உயர்-தெளிவுத்திறனுக்கு மேம்படுத்த எங்களை அனுமதிக்கும்.
நாங்கள் உருவாக்கும் தளம், அந்தக் கலைஞர்களின் நோக்கத்தை மதிப்பது மட்டுமல்லாமல், ரோப்லாக்ஸ் கிடைக்கும் எந்த இடத்திலும், பலதரப்பட்ட சாதனங்களில் உள்ள எந்தவொரு பயனருக்கும் அவர்களின் படைப்புகளை அறிவார்ந்த முறையில் தானாகவே வழங்கும் திறன் கொண்டது. சமூகத்தினர் இதைக் கொண்டு என்ன உருவாக்குகிறார்கள் என்பதைப் பார்க்க நாங்கள் ஆவலுடன் காத்திருக்கிறோம்.



