在 Blender 里搭 3D 场景有多难：BlenderWorld 223 道题，榜首 79.9 分，全部评分项通过的只有 42.2% (2026)

阿里 Token Hub 联合浙江大学、香港中文大学、复旦大学与南洋理工大学，在 10 月 16 日发布了一份三维创作基准：BlenderWorld。1

它考的事情很具体。智能体读一份自然语言需求，配上参考图片或视频，然后在 Blender 里把场景搭出来。1

交付物是一个还能继续编辑的工程文件，外加任务要求的渲染图和视频。1

13 个前沿智能体在同一批 223 道题上各跑一次。榜首 GPT-6-Astra 综合 79.9 分，第二名 Opus-5 是 73.0 分。1

另一组数字更能说明难度：把一道题的评分项全部拿到才算通过，这样的任务占比最高的也只有 42.2%。1

技术报告、评测代码和数据集都已公开，报告本身没有 arXiv 版本，入口放在项目页与 GitHub 仓库上。2 3

为什么把「还能继续改的工程文件」当成评分对象

已有的 Blender 基准大多把范围收得很窄。3DCodeBench 的 212 道题以单个物体建模为主，BlenderBench 只有 27 道相机与场景编辑任务。1

SceneActBench 做到了 520 道，评价目标仍是预设好的几何量。1

真实需求不长这样。一份装修提案、一张产品展示图、一段课堂演示动画，都不存在唯一的正确资产；同一份简报可以对应好几个都算合格的实现。1

这里留了一条捷径。只按渲染图打分的话，把参考照片里的东西抠出来贴在一张正对相机的平面上，画面看上去可以很像。1

BlenderWorld 把交付物本身变成评分对象：2,651 条评分项里有 1,544 条要打开提交的工程文件量内部结构，只有 1,107 条靠看渲染图判断。1

BlenderWorld 的任务分类环与成对样例 — *官方 Figure 1：223 道题按 9 个大类、22 个子类排成环，环外标着每一类的任务数，两侧是「参考素材 → GPT-6-Astra 产出」的成对样例。1*

223 道题摊开是什么样

223 道题分在 9 个大类、22 个子类里，对应 16 个应用场景，涵盖分镜预演、产品发布、游戏资产、电商图、科学插图与课堂演示。1

输入分三种：78 道只有文字，130 道带参考图，15 道带参考视频，合计 145 道是多模态任务。1

另有 59 道题附了规格文件，28 份 Markdown、20 份 YAML、11 份 JSON，内容写着尺寸、材质清单或相机设置。需求正文会明确指向这些附件。1

评分项一共 2,651 条，每道题 6 到 22 条、平均 11.9 条。每条只有通过与不通过两种结果，权重按重要程度分 3、2、1 三档，其中 83.3% 的条目落在最高档。1

按关注点分布，Function（功能与可编辑性）660 条、Geometry（几何）446 条，两类合计占 41.7%。1

Physics（接触、支撑、碰撞与运动）124 条，数量明显少一截。1

分是怎么打出来的

评分链路有四段。第一段是自动渲染：一个渲染智能体打开提交的工程，自己挑 8 个和题目相关的视角，用 Cycles 按 1024×1024、64 采样渲出来，每个视角最多重渲两次。1

它只能调相机取景和渲染设置，模型、材质、光照、动画都保持提交时的样子。1

第二段按证据类型把评分项分流。需要看外观、空间布局和运动的条目交给视觉语言模型当评委。1

需要查内部结构的条目交给智能体当评委，它直接打开工程文件量尺寸、数部件、验拓扑，也能回看画面。1

第三段是另一套打分：同样由视觉语言模型沿八个维度各给 1 到 10 分——场景还原度、物理合理性、风格与配色、真实感、空间布局、比例尺度、光照与材质、完整度。1

最后把两边各取一半相加：总分 = 0.5 × 加权通过率 + 0.5 × 维度均分 × 10。也就是说，79.9 分里有一半来自观感质量。1

渲染、评分项裁判、维度裁判这三个角色，全部由 gpt-5.6-terra 承担。1

BlenderWorld 的评测流水线 — 官方 Figure 4：从任务输入到分数融合的四段链路。8 个自适应视角、原始导出物与视频抽帧供视觉评委使用，工程文件本身供智能体评委使用，两边先各自出二元结论，再与八个维度的评分合流。1

13 个系统的成绩

系统	综合分	加权通过率	视觉维度分	全部通过的题目占比
GPT-6-Astra	79.9	87.3	72.6	42.2% 1
Opus-5	73.0	80.9	65.1	25.6% 1
GPT-5.6-Sol	67.7	74.7	60.7	15.7% 1
DeepSeek-V4.1-Flash	65.7	72.0	59.4	11.7% 1
Qwen3.8-Max	60.6	65.9	55.3	10.3% 1
GLM-5.3-Flash	59.7	64.8	54.4	6.28% 1
Grok-4.6	57.0	61.4	52.7	6.73% 1
Opus-4.8	57.0	60.2	53.7	5.38% 1
Seed2.1pro-0915	51.3	54.9	47.7	3.59% 1
Qwen3.8-27B	47.7	50.0	45.5	1.35% 1
Kimi-K3	46.5	47.9	45.2	1.79% 1
Gemini-3.8-Flash	34.2	29.8	38.5	0.45% 1
MiniMax-M3	31.8	28.9	34.7	0.45% 1

榜首领先第二名 6.9 分，差距在带图或带视频的任务上更大。1

多模态部分 GPT-6-Astra 是 80.7，Opus-5 是 72.1；纯文字的 78 道题上两者是 78.6 与 74.8。1

合规与观感两边不同向。GPT-6-Astra 的加权通过率 87.3、维度分 72.6，属于要求完成得比画面好。1

Gemini-3.8-Flash 反过来，通过率 29.8、维度分 38.5。1

论文拿 2,899 份产出算了这两个分数的相关性，Spearman ρ 只有 0.630，说明它们衡量的确实是两件事。1

换个口径量同一件事：加权通过率达到 90% 的任务数，GPT-6-Astra 有 143 道，全部通过的只剩 94 道；Opus-5 是 85 道对 57 道。1

融合权重也扫过一遍。把合规那一半的权重 λ 从 0 调到 1，13 个系统的排序基本不动，只有 Grok-4.6 与 Opus-4.8 的第 7 名互换。1

分类别的排名里有一处逆转：GPT-6-Astra 在 9 个类别里领先 8 个，唯独 Rendering & Simulation 输给 Opus-5，71.1 对 74.5。1

失败长什么样

论文把几种失效追到了具体的工具调用记录。1

第一类是动态交互缺失。有一道题要求球体相撞，留下颜料轨迹和涟漪，GPT-6-Astra 把球和画布摆好了，轨迹和交叉点一个都没有。1

第二类是视角不一致，也是最能说明问题的一格。另一道题要求画两名正在查看豆田的人，GPT-6-Astra 把参考图里的人抠出来，各自贴到一张朝向相机的平面上。1

提交机位下两个人看着正常。换成侧视图，人整个消失。1

第三类是细部几何失真。一只狮崽的爪子被做成了手指的形状，眼睛也明显偏大。1

第四类是接触约束被违反。有一道题要求一个人躺在草地上、鞋尖在画面里与远处的塔对齐。1

GPT-5.6-Sol 用代码标出对齐基准，把投影误差压到 1.19 × 10⁻⁷，还加了「误差不得超过 10⁻⁶」的守卫。它没检查人是否踩在草地上，交付画面里人悬在草坪上方。1

还有一种是自查量错了目标。需求写的是 150 毫米实木腿加黄铜脚轮，Opus-5 把「150 毫米」当成含脚轮的总高，建了 102 毫米木料加 48 毫米脚轮。1

Opus-5 拿自己的脚本量「地面到框架」的高度，报 150.0 毫米通过。冻结的场景检查单独量了木料，102 毫米，比要求短 32%。1

四类失效落在同一个位置：三维结构、物理接触、跨视角的一致性。它们在单张渲染图上不容易当场看出来。1

四类失效的画面对照 — 官方 Figure 7：从左到右依次是缺动态交互、视角不一致、细部几何失真、接触约束被违反。第二格上下是同一份产出的两个机位，侧视图里两个人整个消失；第四格虚线框标出身体与草坪之间的空隙。1

每任务看多少次图，与它拿多少分

一个自然的猜想是：多看几次渲染结果、多改几轮，分数应该更高。把 13 个系统的两个数放进同一张图，看不出对应关系。1

Seed2.1pro-0915 平均每道题看 33.9 次图，DeepSeek-V4.1-Flash 31.3 次，排在 13 个系统的前两位，多模态分是 49.5 与 65.5。1

GPT-6-Astra 只看了 15.0 次，多模态分 80.7。1

交互风格本身分成两路。Opus-5 每道题平均跑 45.5 次 Blender 执行、158 个回合，输出 24.1 万 token。1

GPT-6-Astra 是 23.3 次、45.6 个回合、8.45 万 token，分数反而更高。1

论文自己给这条划了边界：这是聚合统计，只说明有多少次看到反馈的机会，推不出每个系统用视觉反馈的效率。1

图像查看次数与多模态得分的关系 — 本图为自制。横轴是每任务平均图像查看调用次数，纵轴是多模态任务均分；看图最多的两个系统得分都不在前二，13 个点在这个坐标系里看不出对应关系。1

这份榜单的边界

评委本身是模型，而且只有一个。这份榜单全部由 gpt-5.6-terra 产生，没有第二套评委的对照。1

官方为这个选择做了一次人工校准。150 对同输入产物，每对由三位评审打分，去掉三人各投一票的 3 对，剩 147 对可用。1

GPT-5.6-terra 的总分与多数人偏好一致率 82.99%，Gemini-3.8-Flash 77.55%，DeepSeek-V4.1-Flash 76.87%。1

把两份产物平均分差小于 10 分的 70 对单独拿出来，三个评委的一致率掉到 68.57%、58.57%、55.71%。1

分数挨得越近，评委与人的判断越对不上。1

三个评委之间只比了与人的一致率，没有各自把这 223 道题重跑一遍，所以榜上没有换评委后的读数。1

每个系统每道题只跑一次，没有重复运行，也就没有方差估计，相邻两名的差距要看这个前提。1

这份榜单评的是完整智能体。GPT-6-Astra 与 GPT-5.6-Sol 跑在 Codex 上，另外 11 个跑在 Claude Code 上。1

工具集、运行环境和推理档位都算进成绩。1

报告给了每任务的回合数、输出 token 与工具调用次数，没有对应的金额。1

缺的是什么

成本一行空缺。回合数、token 数、工具调用都在表里，折成钱需要一个价格基准，报告没有给。1

重复运行与第三方复现都还没有。发布方自己把重复运行列进了扩展计划。1

几何真值的缺位是设计前提。需求是开放式的，同一份简报允许多解，判分只能靠写出来的评分项。1

论文把体素交并比这类几何指标列进了下一步。1

下一个能核的节点

想自己跑一遍，入口都在。数据集以 MIT 许可发布在 Hugging Face 上，评测代码与命令行在 GitHub 仓库里。3 4

命令行从 bw download、bw verify、bw prepare、bw pack-submission 到 bw evaluate 一条链走完。5

门槛写得明确：生成要用 Blender 4.2.10；评测要 Node.js 22.17.0、ffmpeg，加上一个支持视觉的模型端点与对应的 API key。5

评测会真的调用模型服务，费用由使用者承担。5

模型侧的下一个读数写在扩展计划里：给智能体评委加上直接操作工程的工具，去测绑定、动画和仿真能不能按预期工作。1

任务侧要补上局部编辑、网格修复、拓扑优化、重拓扑这类更接近生产流程的题目。1

平台侧则要扩到 Maya、3ds Max 与其他操作系统，并让模型用图形界面操作 Blender。1

国内网络下取数据集更方便的入口是 ModelScope 镜像。6

References

1
BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References
github.com
2
BlenderWorld 项目页
blenderworld.github.io
3
QwenLM/BlenderWorld
github.com
4
Qwen/BlenderWorld 数据集
huggingface.co
5
BlenderWorld 评测指南
github.com
6
ModelScope 上的 BlenderWorld
modelscope.cn

阿里 Token Hub 联合浙江大学、香港中文大学、复旦大学与南洋理工大学，在 10 月 16 日发布了一份三维创作基准：BlenderWorld。1

它考的事情很具体。智能体读一份自然语言需求，配上参考图片或视频，然后在 Blender 里把场景搭出来。1

交付物是一个还能继续编辑的工程文件，外加任务要求的渲染图和视频。1

13 个前沿智能体在同一批 223 道题上各跑一次。榜首 GPT-6-Astra 综合 79.9 分，第二名 Opus-5 是 73.0 分。1

另一组数字更能说明难度：把一道题的评分项全部拿到才算通过，这样的任务占比最高的也只有 42.2%。1

技术报告、评测代码和数据集都已公开，报告本身没有 arXiv 版本，入口放在项目页与 GitHub 仓库上。2 3

为什么把「还能继续改的工程文件」当成评分对象

已有的 Blender 基准大多把范围收得很窄。3DCodeBench 的 212 道题以单个物体建模为主，BlenderBench 只有 27 道相机与场景编辑任务。1

SceneActBench 做到了 520 道，评价目标仍是预设好的几何量。1

真实需求不长这样。一份装修提案、一张产品展示图、一段课堂演示动画，都不存在唯一的正确资产；同一份简报可以对应好几个都算合格的实现。1

这里留了一条捷径。只按渲染图打分的话，把参考照片里的东西抠出来贴在一张正对相机的平面上，画面看上去可以很像。1

BlenderWorld 把交付物本身变成评分对象：2,651 条评分项里有 1,544 条要打开提交的工程文件量内部结构，只有 1,107 条靠看渲染图判断。1

223 道题摊开是什么样

223 道题分在 9 个大类、22 个子类里，对应 16 个应用场景，涵盖分镜预演、产品发布、游戏资产、电商图、科学插图与课堂演示。1

输入分三种：78 道只有文字，130 道带参考图，15 道带参考视频，合计 145 道是多模态任务。1

另有 59 道题附了规格文件，28 份 Markdown、20 份 YAML、11 份 JSON，内容写着尺寸、材质清单或相机设置。需求正文会明确指向这些附件。1

按关注点分布，Function（功能与可编辑性）660 条、Geometry（几何）446 条，两类合计占 41.7%。1

Physics（接触、支撑、碰撞与运动）124 条，数量明显少一截。1

分是怎么打出来的

它只能调相机取景和渲染设置，模型、材质、光照、动画都保持提交时的样子。1

第二段按证据类型把评分项分流。需要看外观、空间布局和运动的条目交给视觉语言模型当评委。1

需要查内部结构的条目交给智能体当评委，它直接打开工程文件量尺寸、数部件、验拓扑，也能回看画面。1

最后把两边各取一半相加：总分 = 0.5 × 加权通过率 + 0.5 × 维度均分 × 10。也就是说，79.9 分里有一半来自观感质量。1

渲染、评分项裁判、维度裁判这三个角色，全部由 gpt-5.6-terra 承担。1

13 个系统的成绩

系统	综合分	加权通过率	视觉维度分	全部通过的题目占比
GPT-6-Astra	79.9	87.3	72.6	42.2% 1
Opus-5	73.0	80.9	65.1	25.6% 1
GPT-5.6-Sol	67.7	74.7	60.7	15.7% 1
DeepSeek-V4.1-Flash	65.7	72.0	59.4	11.7% 1
Qwen3.8-Max	60.6	65.9	55.3	10.3% 1
GLM-5.3-Flash	59.7	64.8	54.4	6.28% 1
Grok-4.6	57.0	61.4	52.7	6.73% 1
Opus-4.8	57.0	60.2	53.7	5.38% 1
Seed2.1pro-0915	51.3	54.9	47.7	3.59% 1
Qwen3.8-27B	47.7	50.0	45.5	1.35% 1
Kimi-K3	46.5	47.9	45.2	1.79% 1
Gemini-3.8-Flash	34.2	29.8	38.5	0.45% 1
MiniMax-M3	31.8	28.9	34.7	0.45% 1

榜首领先第二名 6.9 分，差距在带图或带视频的任务上更大。1

多模态部分 GPT-6-Astra 是 80.7，Opus-5 是 72.1；纯文字的 78 道题上两者是 78.6 与 74.8。1

合规与观感两边不同向。GPT-6-Astra 的加权通过率 87.3、维度分 72.6，属于要求完成得比画面好。1

Gemini-3.8-Flash 反过来，通过率 29.8、维度分 38.5。1

论文拿 2,899 份产出算了这两个分数的相关性，Spearman ρ 只有 0.630，说明它们衡量的确实是两件事。1

换个口径量同一件事：加权通过率达到 90% 的任务数，GPT-6-Astra 有 143 道，全部通过的只剩 94 道；Opus-5 是 85 道对 57 道。1

融合权重也扫过一遍。把合规那一半的权重 λ 从 0 调到 1，13 个系统的排序基本不动，只有 Grok-4.6 与 Opus-4.8 的第 7 名互换。1

分类别的排名里有一处逆转：GPT-6-Astra 在 9 个类别里领先 8 个，唯独 Rendering & Simulation 输给 Opus-5，71.1 对 74.5。1

失败长什么样

论文把几种失效追到了具体的工具调用记录。1

第一类是动态交互缺失。有一道题要求球体相撞，留下颜料轨迹和涟漪，GPT-6-Astra 把球和画布摆好了，轨迹和交叉点一个都没有。1

提交机位下两个人看着正常。换成侧视图，人整个消失。1

第三类是细部几何失真。一只狮崽的爪子被做成了手指的形状，眼睛也明显偏大。1

第四类是接触约束被违反。有一道题要求一个人躺在草地上、鞋尖在画面里与远处的塔对齐。1

还有一种是自查量错了目标。需求写的是 150 毫米实木腿加黄铜脚轮，Opus-5 把「150 毫米」当成含脚轮的总高，建了 102 毫米木料加 48 毫米脚轮。1

Opus-5 拿自己的脚本量「地面到框架」的高度，报 150.0 毫米通过。冻结的场景检查单独量了木料，102 毫米，比要求短 32%。1

四类失效落在同一个位置：三维结构、物理接触、跨视角的一致性。它们在单张渲染图上不容易当场看出来。1

每任务看多少次图，与它拿多少分

一个自然的猜想是：多看几次渲染结果、多改几轮，分数应该更高。把 13 个系统的两个数放进同一张图，看不出对应关系。1

Seed2.1pro-0915 平均每道题看 33.9 次图，DeepSeek-V4.1-Flash 31.3 次，排在 13 个系统的前两位，多模态分是 49.5 与 65.5。1

GPT-6-Astra 只看了 15.0 次，多模态分 80.7。1

交互风格本身分成两路。Opus-5 每道题平均跑 45.5 次 Blender 执行、158 个回合，输出 24.1 万 token。1

GPT-6-Astra 是 23.3 次、45.6 个回合、8.45 万 token，分数反而更高。1

论文自己给这条划了边界：这是聚合统计，只说明有多少次看到反馈的机会，推不出每个系统用视觉反馈的效率。1

这份榜单的边界

评委本身是模型，而且只有一个。这份榜单全部由 gpt-5.6-terra 产生，没有第二套评委的对照。1

官方为这个选择做了一次人工校准。150 对同输入产物，每对由三位评审打分，去掉三人各投一票的 3 对，剩 147 对可用。1

GPT-5.6-terra 的总分与多数人偏好一致率 82.99%，Gemini-3.8-Flash 77.55%，DeepSeek-V4.1-Flash 76.87%。1

把两份产物平均分差小于 10 分的 70 对单独拿出来，三个评委的一致率掉到 68.57%、58.57%、55.71%。1

分数挨得越近，评委与人的判断越对不上。1

三个评委之间只比了与人的一致率，没有各自把这 223 道题重跑一遍，所以榜上没有换评委后的读数。1

每个系统每道题只跑一次，没有重复运行，也就没有方差估计，相邻两名的差距要看这个前提。1

这份榜单评的是完整智能体。GPT-6-Astra 与 GPT-5.6-Sol 跑在 Codex 上，另外 11 个跑在 Claude Code 上。1

工具集、运行环境和推理档位都算进成绩。1

报告给了每任务的回合数、输出 token 与工具调用次数，没有对应的金额。1

缺的是什么

成本一行空缺。回合数、token 数、工具调用都在表里，折成钱需要一个价格基准，报告没有给。1

重复运行与第三方复现都还没有。发布方自己把重复运行列进了扩展计划。1

几何真值的缺位是设计前提。需求是开放式的，同一份简报允许多解，判分只能靠写出来的评分项。1

论文把体素交并比这类几何指标列进了下一步。1

下一个能核的节点

想自己跑一遍，入口都在。数据集以 MIT 许可发布在 Hugging Face 上，评测代码与命令行在 GitHub 仓库里。3 4

命令行从 bw download、bw verify、bw prepare、bw pack-submission 到 bw evaluate 一条链走完。5

门槛写得明确：生成要用 Blender 4.2.10；评测要 Node.js 22.17.0、ffmpeg，加上一个支持视觉的模型端点与对应的 API key。5

评测会真的调用模型服务，费用由使用者承担。5

模型侧的下一个读数写在扩展计划里：给智能体评委加上直接操作工程的工具，去测绑定、动画和仿真能不能按预期工作。1

任务侧要补上局部编辑、网格修复、拓扑优化、重拓扑这类更接近生产流程的题目。1

平台侧则要扩到 Maya、3ds Max 与其他操作系统，并让模型用图形界面操作 Blender。1

国内网络下取数据集更方便的入口是 ModelScope 镜像。6

References

1
BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References
github.com
2
BlenderWorld 项目页
blenderworld.github.io
3
QwenLM/BlenderWorld
github.com
4
Qwen/BlenderWorld 数据集
huggingface.co
5
BlenderWorld 评测指南
github.com
6
ModelScope 上的 BlenderWorld
modelscope.cn

在 Blender 里搭 3D 场景有多难：BlenderWorld 223 道题，榜首 79.9 分，全部评分项通过的只有 42.2%

为什么把「还能继续改的工程文件」当成评分对象

223 道题摊开是什么样

分是怎么打出来的

13 个系统的成绩

失败长什么样

每任务看多少次图，与它拿多少分

这份榜单的边界

缺的是什么

下一个能核的节点

References

Related content

在 Blender 里搭 3D 场景有多难：BlenderWorld 223 道题，榜首 79.9 分，全部评分项通过的只有 42.2%

为什么把「还能继续改的工程文件」当成评分对象

223 道题摊开是什么样

分是怎么打出来的

13 个系统的成绩

失败长什么样

每任务看多少次图，与它拿多少分

这份榜单的边界

缺的是什么

下一个能核的节点

References

Related content