斯坦福等发布 BrickBench：3D 乐高积木拼装大考！代码智能体物理结构设计与人类水平仍存巨大差距

核心背景与行业痛点

大模型在生成纯文本代码（如 Web 开发、算法刷题）方面的能力已得到广泛验证，但在高端工业制造、CAD 机械结构设计与物理装配领域，AI 仍处于极早期的“纸上谈兵”阶段。传统三维生成模型（如 3D 网格生成、高斯泼溅）生成的往往只是空心、不可制造的几何外壳；而真实世界的机械装配要求从离散的标准零件库（Discrete Part Library）中提取构件，并同时满足极为苛刻的双重约束：微观上每一块零件必须物理对齐并实现精确的凸点咬合互锁（Interlocking Constraints），宏观上整个装配体必须具备自支撑结构稳定性与重力平衡。缺乏标准化基准与带物理反馈的智能体沙箱，阻碍了 Coding Agent 向空间工程领域的跨越。

架构亮点与底层机制

针对离散 3D 装配评测的空白，斯坦福大学与 Inria 联合团队打造了 BrickBench 评测矩阵与 BrickAgent 交互沙箱（arXiv:2610.12452，官方主页 brickben.ch）：

1. BrickAgent 闭环代码构建环境：BrickAgent 为代码智能体提供了可执行的 Python 交互沙箱。智能体不仅可以编写代码实例化零件位置，还能调用物理引擎 API 实时检查零件间干涉碰撞、重力悬垂与连接有效性，实现“设计 -> 仿真自检 -> 局部代码重构”的闭环；
2. 三维立体评估函数（Validity, Alignment, Design）：评测体系由浅入深考量三大核心指标：

• 物理有效性（Validity）：严格验证模型是否存在零件重叠穿模、悬空积木，并计算装配体在受到外部重力与轻微扰动时的结构刚度；
• 语义对齐度（Alignment）：采用前沿 VLM 多视角打分与几何特征比对，衡量成品是否精准还原了 Prompt 要求的实体特征；
• 工程设计感（Design Complexity）：评估智能体在零件利用率、对称性、色彩搭配与材料经济性层面的高阶工程表现；

1. 跨规模与受限零件库三大挑战分级：设立了自由零件库、有限数量零件库以及极限特定库存三大不同难度等级，全面考察智能体在资源受限下的工程统筹能力。

权威 Benchmark 与实测跑分对比

研究团队利用 BrickBench 对涵盖 Claude 3.5 Sonnet、GPT-4o、Codex 等主流旗舰代码智能体展开了系统测试：

1. 基础物理咬合率及格，但高阶工程严重缺失：顶尖代码智能体在简单尺度任务上能够达到 70% 以上的基础物理有效性（无穿模且基本互锁）；然而一旦进入需要多层支撑骨架的复杂装配任务，智能体因缺乏全局物理常识，经常产生重心失衡一碰即倒的脆弱结构；
2. 零件利用效率与人类存在显著代差：人类积木专家往往能用极少量的多功能连接件创造出稳固且形神兼备的结构，而代码智能体倾向于通过大量冗余积木块堆砌以换取局部咬合，平均零件冗余度比人类高出 45% 以上；
3. 自检重构闭环带来显著增益：在 BrickAgent 环境中允许智能体执行 3 轮物理报错反思与代码重构后，装配体的结构合规率平均提升了 28.4 个百分点，充分印证了代码执行反馈在离散工程中的核心价值。

开发者实战落地与开箱指南

BrickBench 评测套件与沙箱环境已在项目主页（brickben.ch）全面上线。这项研究为从事空间计算（Spatial Computing）、自动化建筑建模与 CAD/CAM 智能化的团队指明了落地方向：纯端到端生成网络难以胜任高精度机械组装，必须采用“Coding Agent + 确定性离散物理仿真沙箱”的复合架构。开发者应当为代码模型配置几何约束求解器与干涉检查钩子，引导智能体以编写模块化结构代码（Procedural Modeling）的方式组织复杂三维设计，将物理可制造性作为第一性约束，稳步推进工业级 AI 辅助设计。