BlenderWorld：让视觉智能体接受真实世界三维创作考验

导语

让模型生成一张看起来合理的图片，和让它交付一个真正可用的三维工程文件，并不是同一件事。后者要求智能体从文本、图片或视频中理解形状、材质、比例、空间布局与光照，再通过 Blender 建模、设置场景并反复检查结果。BlenderWorld 正是针对这一问题推出的评测基准，试图把三维创作智能体从“会生成画面”推进到“能完成可编辑项目”。

从单一渲染走向完整项目评估

BlenderWorld 包含 223 项任务，覆盖 9 个领域和 22 个子类别，涉及建筑、产品设计、自然环境、角色动画和科学可视化等场景。任务输入并不局限于文字，也包括图像、视频以及结构化规格文件，更接近真实工作流中的资料组合。

评测要求模型提交完整的 Blender 项目，而不是一张最终渲染图。研究团队为这些任务整理了 2,651 条细粒度标准，覆盖几何形状、空间布局、材质、功能性等 13 个方面。系统会自动选择 8 个关键视角进行渲染，再结合视觉语言模型对画面进行判断，同时检查项目内部结构。除此之外，研究还从真实感、物理合理性等 8 个维度评估整体视觉质量。

这种设计回应了三维生成评测中的一个常见问题：单一视角下的成品可能看似成功，但换一个角度就会暴露穿模、比例错误、缺失部件或不合理结构。检查 Blender 文件本身，也能区分“视觉上碰巧像”与“确实构建了可继续编辑的场景”。

模型能听懂要求，却难以落实细节

研究团队测试了 13 个前沿模型。结果中，GPT-6-Astra 的综合融合得分为 79.9，Opus-5 和 GPT-5.6-Sol 分别为 73.0 和 67.7，位列其后。值得注意的是，即使表现最好的模型，也只有 42.2% 的任务能够满足全部细粒度要求。

这一结果揭示出三维智能体的能力断层。模型通常可以识别任务主题和大致构图，却难以长期保持物体之间的精确位置、尺度和连接关系；面对参考图或视频时，也容易只抓住表面外观，而没有正确复原隐藏结构和功能逻辑。对于需要多轮修改的任务，前一次建模中的误差还可能被后续操作不断放大。

意义与影响

BlenderWorld 的价值不只是给模型排一个名次，更在于把三维创作拆解为可诊断的能力问题。细粒度规则可以帮助研究者判断模型究竟是几何理解不足、材质设置错误，还是没有完成项目功能；多视角渲染和工程文件检查，则让评测结果更接近实际生产要求。

对模型开发者而言，下一步重点可能不只是扩大视觉理解能力，还包括更可靠的工具调用、场景状态记忆、几何约束推理和基于渲染反馈的迭代修正。对创作者而言，当前模型适合承担草图生成、初始搭建和局部修改等工作，但还不能替代对结构、尺度与可编辑性的人工验收。BlenderWorld 提供的公开代码、数据集和交互式 3D 展示，也为后续比较不同智能体的工作方式提供了基础。

Hugging Face Daily Papers