当DeepSeek开始3D建模，AI离独立交付还有多远？千问BlenderWorld给出了新回答

今天 DeepSeek 重磅发布了 V4.1 Flash 1017。按照官方介绍^[1]，这次更新通过基于自反馈的强化学习，增强从零开发游戏、搭建 3D 项目的能力，并向我们展示了故宫建模等非常出色的案例。“许愿式编程”的边界，正在向三维空间延伸。

3D 创作的一个潜在机会，是把建模、检查、按反馈修改串成可执行的流程。如果智能体能在达到交付要求的前提下，减少人工操作和返工，就可能带来实际收益。这是一个需要验证的价值假设，关键证据应来自与现有工具、人工工作流的比较。

围绕这些环节，在过去几年里，3D-GPT^[2] 探索用大语言模型驱动程序化建模，BlenderGym^[3] 将图形编辑纳入评测，Autodesk 等提出的 neuralCAD-Edit^[4] 则收集了十位专业设计师的 CAD 修改请求。这些工作逐步提供了任务样本与能力评测方法。

最近，千问团队开源了 BlenderWorld，该工作把评测推进到交付环节：给定参考和规格，智能体能否交出符合要求、可以继续编辑的工程？它提供的验收结果，可以帮助识别哪些工作已经能够完成、哪些环节仍需人工介入，为后续比较效率和成本提供基础。

论文：BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References

作者：Xinyu Fang、Yuchi Wang、Weihao Yu 等；通讯作者：Dahua Lin、Guofeng Zhang、Zhibo Yang

单位：浙江大学、阿里巴巴集团 Alibaba Token Hub、香港中文大学、复旦大学、南洋理工大学

论文链接：https://github.com/QwenLM/BlenderWorld/blob/main/docs/BlenderWorld__Benchmarking_Visual_Agents_for_3D_Creation_from_Real_World_References.pdf

开源仓库：https://github.com/QwenLM/BlenderWorld

背景：一张漂亮效果图，离完整工程还有多远

实际的 3D 创作请求往往同时包含外观、结构和用途要求：根据照片重建室内空间，按指定尺寸调整家具，或者参考一段视频制作带运动效果的场景。智能体需要理解参考材料、操作软件、检查结果，再连续修改。

难点在于，这类任务通常没有唯一的标准模型。两份结构不同的工程可能都满足需求；同样，一张渲染图看起来不错，背后的物体却可能没有厚度、悬在空中，或缺少指定的骨骼与动画。

BlenderWorld 选择开源三维创作软件 Blender 作为环境，要求提交可编辑的 .blend 工程以及规定的图像、视频等产物。评测对象由此扩展为整个创作过程最终交付的工程。

创新点：把开放需求拆成可以验收的条件

基准包含 223 项任务 ，覆盖 9 个大类、22 个子类和 16 种应用场景，包括建筑与室内、产品、角色动物、自然环境和科学可视化等。其中 78 项以文本为输入，130 项附图像、15 项附视频；59 项还提供尺寸、材质、相机参数等规格文件。

参考材料承担三种作用：

• 重建强调保留主要形状和空间关系；
• 修改要求保留指定结构并完成变化；
• 参考设计则借用造型、风格或布局，发展新方案。

这些任务由筛选的参考材料和应用场景出发，经多模态模型辅助生成需求，再检查文件可用性、图文对应和约束一致性。它们模拟现实创作请求，并经过专门的验证流程。

更关键的是 2,651 条二元验收条件 ：每项任务有 6—22 条，分别检查几何、功能、材质、布局、物理关系等要求。重要程度对应 3、2、1 的权重。条件经过独立模型复核和试评后冻结，对生成智能体隐藏。

方法：多角度看效果，打开工程查结构

交付完成后，评测系统重新打开工程，按任务选择 8 个互补视角进行渲染。它可以调整相机与渲染设置，但须保留提交作品的几何、材质、灯光和动画，不能替参评系统修复模型。

随后，验收条件按证据类型分流。

• 外观、布局和运动由视觉语言模型结合新视图、原始导出图及视频帧判断；
• 物体结构、工程属性等要求，则由另一个智能体调用工具检查原生文件。

全部条件中，58.2% 需要场景检查 ，单靠观看渲染图无法完成验收。

系统另外评估保真度、物理合理性、比例尺度、灯光材质等 8 个视觉质量维度。

最终综合分由“加权验收得分”和“视觉质量得分”各占一半组成；缺少工程文件或评测失败的任务记零分。

这套设计将“需求完成了多少”和“整体观感如何”一起纳入评价，并为不同要求保留了对应的检查证据。

实验：综合分领先，全部要求通过仍不到一半

论文比较了 13 个参评系统，每个系统对每项任务运行一次。它们使用隔离的 Linux、GPU 和 Blender 环境；GPT-6-Astra、GPT-5.6-Sol 配合 Codex，其余系统配合 Claude Code。

全要求通过率指通过该任务全部二元验收条件的任务占比。排名第一的 GPT-6-Astra 完成了 94 项完整验收；如果将门槛放宽到加权验收得分达到 90%，则有 143 项达到要求（总任务数为 223，占比 64.1%）。接近完成与逐项满足要求之间，仍有明显距离。

GPT-6-Astra 在展示的 9 类任务中领先 8 类，程序化与游戏资产、产品制造类得分较高；Opus-5 则在渲染与仿真类领先。模型的强项随任务类型变化。

论文还发现，更多工具调用没有直接对应更好结果：GPT-5.6-Sol 与 DeepSeek 在多模态任务上同为 65.5 分，平均工具调用却分别为 44 次和 168 次。由于框架和调用策略同时存在差异，作用机制仍需进一步实验拆分。

（这里的 DeepSeek 成绩来自 10 月 16 日的论文，1017 更新后的表现尚待重测。）

分析：看过结果、自检通过，为什么仍会出错

失败轨迹比榜单更能解释当前的瓶颈。

一个任务要求制作有人检查大豆的三维场景，GPT-6-Astra 将照片中的人物裁出，贴到平面上。提交视角里人物存在，转到侧面便几乎消失。另一个强制透视任务中，GPT-5.6-Sol 精确检查了鞋尖与远处塔楼的投影对齐，却遗漏人体接地，最后人物仍悬在草地上方。

最有代表性的是 Opus-5 的尺寸自检。需求规定木腿长 150 毫米，并配黄铜脚轮；智能体在计划中将其改成“包含脚轮在内总高 150 毫米”，于是制作了 102 毫米木腿和 48 毫米脚轮，再测量组合总高，报告通过。外部验收单独检查木腿，发现它比要求短了 32%。

这些案例显示，智能体已经能够执行检查，但检查对象、测量目标和需求理解仍可能偏移。增加观看和验证动作，并不会自动补齐正确的三维约束。

验证与展望：裁判可靠性、评分稳定性与后续方向

论文包含裁判验证和评分权重敏感性分析。作者抽取 150 组作品对，请三位人工评审比较；在形成多数判断的 147 组中，主裁判 GPT-5.6-terra 与人工结果一致率为 82.99% 。在分差较小的 70 组作品中，一致率降至 68.57% ，相近作品的区分更困难。

作者还将验收得分权重从 0 调到 1，比较五种设置。除 Grok-4.6 与 Opus-4.8 的第七、第八名互换外，排序保持稳定。这项分析检验的是评分配方的敏感程度。

在后续实验中，作者计划比较同一模型在不同推理设置或智能体框架下的表现，记录资源预算、词元用量、延迟、工具调用与成本，并通过重复运行估计结果波动和排名稳定性。

任务与评测方面，作者计划增加局部修改、网格修复、拓扑处理，以及对已交付工程的再次修改；引入工程图、尺寸公差和几何约束检查，并邀请专业三维艺术家校准验收标准。