真实世界 3D 资产生成大考：BlenderWorld 首发 223 项工业基准，GPT-6 Astra 斩获 79.9 分领跑

核心背景与行业痛点

将多模态大语言模型（MLLM）转化为能够自主操作三维数字内容创作（DCC）软件的“3D 设计智能体”，是游戏工业、元宇宙建模与工业设计的兵家必争之地。然而，既有 3D 生成评测往往局限于简单的孤立物体网格粗模重建，忽视了真实生产环境中极其繁复的真实流程——专业设计师通常要求模型基于实景参考照片或草图，在 Blender 等专业软件中编写 Python 脚本、操作修改器（Modifiers）、配置程序化材质着色器（Shaders）并完成复杂多物体物理空间组装。业界亟需一套客观、可复现、直接与行业工作流对接的高难度基准。研究团队在 arXiv:2610.23986 中正式发布了 BlenderWorld。

架构亮点与底层机制

1. 全链路真实世界应用级 223 项任务库：

• 彻底告别玩具级几何体，涵盖从家具结构建模、机械硬表面工业构件到拟真场景室内布光的 223 项高难度复合任务；

1. 自动化 Agent 渲染与双轨证据裁判系统（AaR & Evidence-Routed Rubric Judging）：

• 智能体直接调用 Blender Python API 和终端工具生成 .blend 场景资产，评测环境通过自动化多机位渲染引擎输出多角度高保真光影视图；
• 结合细粒度规则手册（Rubric）与美学视觉维度（Dimension），将硬性技术指标（网格拓扑、面数合理性、材质节点树链接）与视觉还原度严格量化；

1. 揭示截然不同的 Agent 求解哲学：

• 评测深入分析了闭源顶尖模型与开源模型的行为模式差异，发现 GPT 族模型倾向于在行动前进行详尽的长文本前瞻性规划（39.9K 输出 Token 即可完成），而开源的 DeepSeek-V4.1-Flash 则展现出极其顽强的“高频实测-交互检查-迭代修整”动态工具调用范式（平均单任务调用工具 168 次）。

权威 Benchmark 与实测跑分对比

根据 223 项 BlenderWorld 全量任务评测统计（Table 2, Section 5.2）：

• 全场景综合得分（Composite Score）：
• GPT-6-Astra 斩获全场最高分 79.9 分（文本任务 78.6 分，多模态任务高达 80.7 分）；
• 规则完成度/视觉质量（Rubric / Dimension） 达到 87.3 / 72.6，全指标完全满足的完美率（Perfect Rate）达到 42.2%，领先第二名近一倍；
• Opus-5 获得 73.0 分（Perfect 率 25.6%），位列第二；
• GPT-5.6-Sol 取得 67.7 分；
• DeepSeek-V4.1-Flash 展现出强大开源实力，斩获 65.7 分（位列开源模型第一），在多模态子任务中以 65.5 分 追平 GPT-5.6-Sol，大幅超越 Qwen3.8-Max（60.6 分）、GLM-5.3-Flash（59.7 分）与 Grok-4.6（57.0 分）；
• 完美通关率挑战：
• 评测显示除 GPT-6-Astra 外，其余所有参评 Agent 的完美满足率均低于 26%，证明多步骤 3D 工具链操控对大模型长程推理仍具有极高辨识度与挑战性。

开发者实战落地与开箱指南

• 技术论文与测试集：完整任务集与验收条件详见 arXiv:2610.23986；
• 3D 智能体工程落地指引：开发 3D 生成或建筑室内辅助 Agent 的团队，可直接借鉴 BlenderWorld 的双轨沙盒评估方案。对于计算预算受限的团队，采用 DeepSeek-V4.1-Flash 配合高频“执行-渲染截图-自我诊断”闭环，已能在工业级 3D 软件操控中达到逼近闭源商用模型的生成水准。