这项由谷歌DeepMind、谷歌钻研院与南加州大学结合发展的钻研颁发于2026年5月31日，论文编号为arXiv:2606.01057v1，有兴致深刻相识的读者能够通过该编号在arXiv平台查问齐全论文 。
每当你玩一款优美的电子游戏，或者看到电影中那些栩栩如生的特效场景，背后都有大量三维模型在支持 。这些模型并不是凭空出现的——它们必要专业设计师破费数幼时、数天甚至更长功夫，用专门的软件一点一点"捏"出来 。这个过程不仅费时费劲，还要求设计师同时精通艺术审美和技术编程，门槛极高 。
然而，随着人为智能技术的飞速发展，一种全新的可能性出现了：让AI直接写代码来天生三维模型 。这种方式被称为"法式化三维建模"（Procedural 3D Modeling），它的主题思路是用一段可执行的法式代码来描述一个三维物体的机关方式，而不是手动拖动鼠标和调整参数 。这样天生的模型不仅能够精确批改，还能被各类专业软件直接使用，甚至能够随机天生无数个风格相近但细节分歧的变体，这是传统AI图像天生技术齐全做不到的事件 。
钻研团队把稳到，业界已经有好多人在索求让AI来驱动三维建模软件，好比驰名AI公司Anthropic颁发了让旗下模型Claude直接操控Blender（一款盛行的三维建模软件）的打算，各类基于模型高低文和谈的工具也如雨后春笋般涌现 。但问题在于，没有人知路这些AI到底做得好不好，由于不足一个公认的、严格的评测尺度 。这就如同进行了一场烹饪大赛，但没有裁庞注没有评分尺度，谁也说不清哪路菜更好 。
正是为了添补这个空缺，钻研团队推出了3DCodeBench——一个专门用来评测AI法式化三维天生能力的基准测试平台 。与此同时，他们还成立了3DCodeArena，一个让真实用户通过投票来比力分歧AI天生了局的公开平台 。这两个工具加在一路，组成了目前该领域最全面的评测系统 。
大无数人熟悉的AI图像天生，好比用文字描述就能得到一张图片，天生的是一个"照片"，是像素的集中 。这种图片好看是好看，但它不是真正的三维物体，无法放进游戏引擎里使用，也无法从肆意角度查看，更无法精确批改某一个零件的尺寸 。
法式化三维建模则齐全分歧 。钻研团队使用的平台是Blender 5.0，这是一款专业的开源三维软件 。在Blender中，你能够用Python代码精确描述一个物体的每一根骨骼、每一块肌肉、每一片叶子是若何分列的 。当AI写出这样一段代码，Blender就能"翻译"这段代码，天生一个真实的三维网格模型，能够从任何角度旋转查看，能够导入到游戏中，能够3D打印，也能够随时通过批改代码来调整细节 。
用一个生涯化的迸作来理解：通常AI图像天生就像给你一张屋子的照片，而法式化三维建模则像给你一份构筑图纸加上施工注明——你不仅能看到屋子长什么样，还能依照图纸真正把它建出来，甚至随时批改"把二楼改成三楼" 。
这种能力在游戏开发、工业设计、机械人训练仿真等领域有着巨大价值 。但要实现它，AI必要同使仄握三件事：理解用户的意图（好比"助我建一只螃蟹"），把握Blender这款软件的具体API（接标语令），以及具备足够的三维空间几何推理能力 。这三件事叠加在一路，对AI来说是个不幼的挑战 。
这些数据起源于一个名为Infinigen的开源法式化场景天生系统，它内部蕴含了大量用代码写成的天然物体"工厂"——每种物体（好比一棵树、一只螃蟹、一朵花）都有对应的法式代码，可能依照随机参数天生无数个变体 。钻研团队的工作，是把这些复杂的"工厂代码"转换成独立可执行的、简洁的Blender Python剧本，并为每个剧本配上文字描述和参考图片 。
然而这个转换过程绝非单一的复造粘贴，由于原始的Infinigen代码结构极其复杂，充斥了嵌套挪用和依赖关系，直接拿来用底子跑不起来 。钻研团队设计了一套"智能流水线"来实现这项工作，其中蕴含若干专门的AI工具分工合作 。
代码简化器掌管把冗长、嵌套的原始代码整顿成干净独立的剧本，同时严格保障天生的三维状态不变样 。仿照器则在沙盒环境中现实运行天生的代码，查抄是否有报错，并提取网格数据 。视觉评审员是一个视觉说话模型，它会把天生物体的多角度渲染图与原始参考图进行比力，发现视觉上的差距并反馈给前面的步骤 。网格分析器则专门查抄三维模型自身的质量，好比是否存在无效几何体、非流形面或者顶点数量异常等问题 。
与此同时，系统还守护着一个"经验库"，持续堆集已成功处置的类别信息、常见谬误的建复战术、Blender 5.0的API调换纪录，以及若何把各个独立零件组装成齐全物体的模板 。这个经验库随着处置的物体越来越多，逐步变得越来越聪明 。
即便有了这套自动化流水线，钻研团队也并不齐全信赖机械的判断 。每一个最终进入数据集的样本，都必须经过人为审核：查抄代码能否正常执行，文字描述是否正确，渲染图是否与参考图吻合 。只有通过这路关卡的数据能力进入最终的数据集 。
最终，这套系统产出了涵盖212个物体类此外评测集，以及齐全的约26000个"文字提醒/参考图——代码——三维模型"三元组数据集，供未来的钻研者进行模型训练使用 。这212个类别涵盖领域极广，从天然界的动植物（鸟类、螃蟹、蜻蜓、神仙掌、龙舌兰）到家具（床、书橱、厨房橱柜），再到构筑构件，险些覆盖了法式化建模的重要利用场景 。
数据集中每段剧本的均匀代码行数是531行，中位数是387行 。对于那些复杂的生物（好比鸟类、螃蟹）或者精密的室内物件（好比树木、橱柜），代码长度甚至超过1000行 。每段代码的文件大幼均匀为20.5KB，中位数14.9KB，散布出现显著的"长尾"特点——大无数物体代码不算太长，但少数复杂物体的代码体量惊人 。
这与业界之前那些"单一版本"的三维代码基准测试形成了鲜明对比 。有些基准测试只是让AI用几何根基体（球、方块、圆柱）拼出单一状态，有些只调查在体素网格（就像乐高积木那种方格结构）中搭建模型，难杜纂真实专业需要相去甚远 。3DCodeBench要求AI具备真正的几何推理能力，而不仅仅是记住几条API挪用号令 。
客观评分部门由一系列自动化指标组成 。第一路门槛是代码能否正常执杏转—给AI一段文字描述，让它写Blender代码，若是代码在Blender里跑起来能天生一个有效的三维网格，就算"通过执行测试"，不然直接判为失败 。这一指标被称为"可执行率"（Executability） 。
通过执行测试的模型还要持续接受表观类似度评测 。具体做法是把AI天生的模型从四个固定角度（45度、135度、225度、315度）拍成渲染图，而后用两种专业的图像类似度算法——SigLIP-2和DINOv3——与参考图进行比力 。SigLIP-2更善于捉拿语义层面的类似性（"这看起来像一条鱼"），DINOv3则更关注状态和结构层面的类似性（"概括和结构像不像"） 。
除了表观，钻研团队还直接比力三维几何结构 。他们把AI天生的三维模型和尺度参考模型各自采样8192个表表点，而后用"倒角距离"（Chamfer Distance）来衡量两个点云之间的差距——这个数值越幼，注明模型状态越靠近真实参考 。另一套工具叫Uni3D，它能把三维模型、文字和图片都映射到统一个"语义空间"里进行跨模态比力，既能评估AI天生模型与参考模型在三维状态上的类似水平，也能评估AI天生模型与文字描述的匹配水平 。
所有指标都以两种方式汇报：一种是"前提均值"，只统计成功天生模型的那些案例的均匀分，衡量"成功的案例做得有多好"；另一种是"惩治均值"，把失败案例计为零分后再取均匀，衡量"整体阐发到底若何" 。这两种视角各有侧沉，放在一路能力给出全面的评价 。
主观评分部门则是3DCodeArena平台 。钻研团队把分歧AI天生的模型两两配对，放到一个公开网站上展示，让真实用户在不知路是哪个AI天生的情况下，投票选择哪个模型更好看、更像真实物体 。这种方式仿照了驰名的LMArena（说话模型人类偏好评测）的机造，用Bradley-Terry算法把投票了局转换成Elo分数（一种常见于国际象棋排名的评分步骤），最终形成一个靠得住的排行榜 。截至论文写作时，平台已网络了约3100票 。
钻研团队对12个当前最先进的视觉说话模型进行了系统评测，来自谷歌的Gemini系列（蕴含Gemini 3 Flash、Gemini 3.1 Flash Lite、Gemini 3.1 Pro、Gemini 3.5 Flash、Gemma 4 26B、Gemma 4 31B）、Anthropic的Claude系列（Claude Haiku 4.5、Claude Sonnet 4.6、Claude Opus 4.7），以及OpenAI的GPT系列（GPT-5.4 Mini、GPT-5.4、GPT-5.5） 。值得一提的是，有两个模型——Gemini 2.5 Pro和GPT-5.4 Nano——由于在单次对话中代码执行成功率低于10%而被排除在重要评测之表 。
从最沉要的可执行率来看，差距相当显著 。Claude Opus 4.7以91%的可执行率居首，GPT-5.5以90.6%紧随其后，GPT-5.4以86.6%排名第三 。相比之下，Gemini 3.5 Flash只有46.4%，Gemini 3 Flash为48.1%，Gemma 4 26B为51.7% 。这意味着Gemini的轻量级模型天生的代码有超过一半都无法在Blender里正常运行 。
从人类偏好Elo排名来看，GPT-5.5以1163分高居榜首，Gemini 3.5 Flash以1119分位居第二，Gemini 3.1 Pro以1147分第三，GPT-5.4以1074分第四 。Claude Opus 4.7得到1006分，Claude Sonnet 4.6得到1015分，两者成就相近但显著落后于顶尖选手 。阐发最差的是Claude Haiku 4.5，仅得799分，以及Gemini 3.1 Flash Lite的877分 。
钻研团队还出格推算了每个模型的性价比 。他们发现，Gemini 3.5 Flash每次查问只需约0.04美元，而GPT-5.5必要约0.32美元——前者的成本只有后者的八分之一，但Elo分数只低了约44分（1119对1163） 。若是在Pareto前沿（最高性价比曲线）上追踪，四个最具性价比的节点有四个都是Gemini模型 。
钻研团队发现，绝大无数执行失败（约85%-90%）都源于统一类原因：AI写的代码使用了Blender 4.x版本的旧API，而测试环境是Blender 5.0，两者之间存在接口不兼容 。举几个具体的例子：Blender 5.0里已经移除了BSDF材质节点中的"Specular"（高光）参数，有些模型还在用旧写法导致报错；`Mesh.use_auto_smooth`这个属性在5.0里也不存在了；`create_cone`函数的参数名也产生了变动 。这些都是知识截止日期导致的问题——AI在训练时可能接触的是更老版本的Blender文档，所以不相识最新的API调换 。
换句话说，大无数失败不是由于AI不会建模，而是由于AI"用了过期的施工规范" 。这一发现既注明问题地点，也指出了改进方向：只有给AI提供最新的API文档或者让它从谬误信息中进建建改，执行成功率就能大幅提升 。
然而，即便代码可能正常运行，天生的三维模型也并不美满 。从质性比力来看，AI天生的模型普遍存在两类视觉问题：一是几何部件之间"悬浮"或"断开"，就像把一只螃蟹的八条腿别离放在空中，彼此没有衔接；二是过于简化，用几个浮动的根基几何体草草包办复杂的有机状态 。Gemini 3.1 Pro偏差于产生第一类问题（部件断开），Claude Opus 4.7则更容易出现第二类问题（过度简化） 。
这批注现有AI固然能写出"语法正确"的代码，但在"语义正确"层面——真正理解一个物体是若何在三维空间里有机地组成整体——还有相当大的提升空间 。
关于"思虑功夫"（Thinking Budget），分歧级此外模型阐发出截然分歧的法规 。对于轻量级模型，增长思虑功夫成效显著：Gemini 3.1 Flash Lite从"最幼"思虑量到"最高"思虑量，可执行率提升了约19个百分点 。路理不难理解：额表的思虑让模型有机遇在输出代码之前，先在脑子里"排查"可能的API兼容问题，自我纠错 。然而对于顶尖模型来说，这种提升险些能够忽略不计——Claude Opus 4.7在最低思虑量时就已经达到了极限水平，持续增长思虑功夫险些没有援手 。这是由于强模型已经"记住"了正确的API，只需略微确认一下，不必要大量推理 。这个发现提醒我们：把高思虑量分配给弱模型比给强模型更划算，在现实利用中，凭据模型能力级别来配置思虑资源，能够在节俭大量成本的同时维持靠近最优的成效 。
关于"输入图片数量"，钻研团队测试了给AI输入1到4张参考图片的成效差距 。结论有些出乎意料：增长参考图片的数量，对天生质量的提升险些能够忽略 。SigLIP-2类似度在1到4张图之间的变动幅度不超过0.012，统计上没有显著意思 。Uni3D三维类似度略有提升，但依然在误差领域内 。这意味着，哪怕只给一张参考图，AI提取到的有效信息已经靠近鼓和，有余的图片并没有带来额表的几何理解增量 。
多轮谬误反馈尝试的设计很直接：对于执行失败的案例，钻研团队把Blender的谬误日志（截取了前70%和后30%，总计不超过3000字符）连同之前的失败代码一路，发给统一个AI模型，让它尝试建改，最多允许三次机遇 。
了局相当令人振奋 。所有11个模型、22个评测单元（文本到3D加图片到3D两个轨路）的均匀可执行率，从单次对话的69.2%跃升至97.2%，提升了整整27个百分点 。其中Claude Opus 4.7、GPT-5.4和GPT-5.5在两个轨路上都达到了100%的可执行率 。不仅如此，天生质量也同步提升：SigLIP-2惩治均值均匀提升0.128，Chamfer距离均匀降落0.079，Uni3D三维类似度均匀提升0.069 。
钻研团队出格强调，这些质量提升数字是在固定的212个测试案例上推算的（失败案例贡献零分），因而齐全排除了"由于成功案例变多导致分母变大"的滋扰，真实反映了整体水平的提升 。
背后的原因其实很单一：大无数失败都属于"部门可建复"的API谬误——只有AI看到了具体的报错信息，就知路是哪行代码出了问题，改一改就好 。这和人类法式员调试代码的经验高度一致：好多时辰，看到报错比盲猜要有效得多 。
钻研团队还尝试了一种更进一步的规划：给每个AI配上它对应的"原生智能编程副手"工具，让AI在一按功夫预算内齐全自主地编写代码、运行测试、读取报错、批改代码、再次运杏篆…循环往复直到成功或超时 。
具体来说，Gemini系列用Gemini CLI，Claude系列用Claude Code，GPT系列用Codex CLI，每个事俘的功夫预算为600到900秒 。AI会在沙盒目录里自主操作，钻研团队只提供工作描述，其余齐全交给AI自己决定 。
了局是：这些智能副手工具的确进一步提升了可执行率，均匀从71.6%提升至99.5%，三个模型达到了100%的执行率上限 。然而，对于那些单次对话就能成功执行的案例，加了智能副手之后天生模型的质量险些没有变动——SigLIP-2只改观了-0.010，Chamfer距离只改观了+0.001，Uni3D三维类似度只改观了-0.003，这些差距险些都在统计误差领域之内 。
这个发现揭示了一个值得沉思的景象：自动化的"建建补补"能建复API报错，但无法让AI真正理解三维几何 。一旦代码成功编译，模型的三维状态质量就根基定型了——智能副手并没有能力在后期"雕塑"出更精密的几何细节 。这就如统一个工人能纯熟地建好施工过程中的管路漏水，却没有设计师的能力沉新规划整栋构筑的布局 。
钻研团队还测试了一种更具创造性的改进蹊径：让AI查看自己天生模型的渲染图，与原始描述或参考图片比力，而后决定是否必要沉写代码 。
了局出现出一个有趣的"工作不合称性" 。在文字到3D的轨路上，视觉自我审查普遍有效，四个测试模型的SigLIP-2类似度均匀提升了0.003到0.009，大无数模型的"改进次数"多于"变差次数"，比例从1.24到2.63不等，其中Gemma 4 26B阐发最好，50次改进对应19次退步 。
然而在图片到3D的轨路上，同样的模型却普遍变差了，SigLIP-2均匀降落0.006到0.009，改进/退步比例降落到0.58到0.78 。钻研团队分析，这种"统一批模型、统一个步骤、但在分歧工作上了局相反"的景象，底子原因在于指标的天花板效应：图片到3D工作的SigLIP-2基准值已经在0.78到0.81之间，极度靠近参考渲染图能达到的上限，此时任何轻微的几何扭转都可能在渲染表观上引入噪声，被评分系统判定为变差 �；痪浠八�，不是AI改坏了，而是评分尺子在这个区间不够精密 。
值妥贴心的是，模型能力越强，作为"自我审查者"越守旧 。Gemma 4 31B（较强模型）只对41%的案例说"必要批改"，而较弱的模型则激进得多，时时不用腹地大幅沉写代码，了局往往画蛇添足 。
3DCodeArena的人为投票固然靠得住，但每一票都必要真实用户花功夫观察和判断，规�；壑蹈甙� 。钻研团队因而钻研了一个关键问题：能不能用AI来包办身工投票？
他们用四个谷歌模型（Gemini 3.1 Pro、Gemini 3 Flash、Gemini 3.1 Flash Lite、Gemma 4 31B）对2508个真实投票案例进行了沉新判断，每个模型别离以"看渲染图"和"看代码"两种模式工作，评估了局与人为投票进行比对 。
看渲染图模式的阐发还算令人中意：四个模型的总体正确率在62.5%到64.7%之间，若是只看双方都做出明确选择（而非选择"平局"）的案例，正确率进一步提升至72.6%到74.4% 。其中Gemini 3.1 Pro在剔除"弃权"案例后正确率最高（77.1%），Cohen's kappa系数（衡量超过随机概率的一致性）达到0.542，属于"中等偏高"的一致性水平 。
看代码模式的阐发则显著逊色：正确率降落到51.7%到56.9%，kappa系数只有0.249到0.348，属于"通常"到"中等"的一致性水平 。这注明仅凭读代码无法靠得住地预测天生三维模型的质量，渲染图依然是不成代替的评估媒介 。
钻研团队还发现，SigLIP-2视图类似杜纂人类偏好Elo的皮尔逊有关系数高达0.964，DINOv3的Spearman有关系数更是达到了0.972，两个指标都与人为偏好高度吻合 。这意味着，在大无数情况下，用SigLIP-2和DINOv3作为自动化评估指标，可能相当正确地代表人类的审美判断，无需每次都进行昂贵的人为投票 。
归根结底，3DCodeBench做的这件事，是给"AI会不会写三维建模代码"这个问题提供了一个真正科学的答案：会，但还不够好 。当前最强的AI已经能让90%的代码在Blender里正常运行，但天生的模型往往在几何连贯性上存在显著缺点，部件悬浮、比例失调、细节简化的问题普遍存在 。更深层的问题在于，现有AI不足对三维空间物理法规的真事讽解，写出的代码"语法正确但语义吞吐" 。
这项钻研还揭示了一条清澈的改进蹊径：让AI在执行环境中得到真实反馈、进行迭代建改，是目前提升机能最有效的伎俩，远比增长思虑功夫或增长输入图片数量更有效 。而要底子性地提升AI的三维推理能力，则必要大量高质量的法式化三维代码训练数据——这正是3DCodeBench的另一个沉要价值地点：它所提供的26000个数据样本，为未来训练更懂三维空间的AI提供了一块坚实的基石 。
对于关切AI发展走向的读者，一个有趣的思虑题是：当AI可能流畅地将文字或图片转化为精确、可编纂的三维模型时，谁将是最大的受益者？是游戏开发者、构筑师、机械人为程师，还是我们每一个通常人？这个问题的答案，或许比技术自身更值得等待 。
A：3DCodeBench评测的是AI能否用Python代码在Blender软件里天生真正的三维模型，而不是天生一张好看的图片 。通常AI图像天生产生的是像素图片，无法从肆意角度旋转、无法导入游戏或3D打� �；而法式化三维建模天生的是可执行的代码，编译后得到真实的三维网格，能够精确批改、从肆意角度查看，并直接用于游戏开发、工业设计等专业场景 。
A：这两个模型在单次对话中代码执行成功率太低，Gemini 2.5 Pro只有7.1%，GPT-5.4 Nano只有6.1% 。钻研团队分析发现，它们的约85%失败案例都是由于使用了已被Blender 5.0拔除的旧版API号令，属于训练数据知识截止日期导致的问题，而非建模能力自身的缺点 。由于成功案例太少，统计数字不成靠，所以被排除在重要评测之表 。
A：由于大无数失败都属于"API不兼容"这种部门可建复的谬误，好比某个函数参数名在Blender 5.0里改了，或者某个属性被移除了 。当AI看到具体的报错信息（就像法式员看调试日志一样），就能精准定位问题地点，把那行代码批改掉 。这和盲目沉新天生代码齐全分歧，有了谬误提醒，建复成功率极高 。钻研数据显示，11个模型的均匀可执行率从69.2%跃升至97.2%，注明这种"看谬误日志改代码"的步骤极度有效 。
樱花动漫《女子怀孕计划》百度百科法国上半场的净胜状态——法国上半场场均进球1.1球,如果45分钟仍未取得1球以上的领先,亚盘"球半"的让球幅度会立刻变得难以达成在物理学发展历程中，人们往往把时钟视为理所当然的工具。但2017年的一项研究证明，计时其实是有代价的。它并不是类似尺那样的被动测量工具，而更像是发动机——持续测量时间需要做功，且会产生热量。在经典设定中，这点热量微不足道，但在量子世界里，哪怕再微小的热量也会扰乱时钟运行。樱花动漫《女子怀孕计划》百度百科OVERLORD�；ㄕ嫒税�国际米兰主席马洛塔现身帕尔马皇家歌剧院，出席2026-27赛季意甲联赛赛程抽签仪式。他在接受记者采访时，被问及作为刚刚拿下意甲冠军与意大利杯冠军的双冠王，球队的引援策略。智元机器人、 菲律宾 Aboitiz Power公司、宁德时代、西门子中国和沃达丰亚洲等知名企业领袖加入，聚焦AI、机器人及互联产业未来的丰富议程
20260608 ? 樱花动漫《女子怀孕计划》百度百科据《米兰体育报》报道，在第三届意甲节活动中，尤文图斯名宿德尔-皮耶罗参加了传奇球员主题论坛。皮耶罗谈到了自己告别尤文、2006年世界杯夺冠、球衣交换、金球奖以及尤文目前的处境，并表示自己尊重现在在尤文工作的人。《人人视频》2025年8月，他又前往北京的犬只市场选购了30余条软爆毛的纯种西高地犬只。该市场商贩告诉白先生，软爆毛的纯种西高地犬只拥有双层被毛，外层刚毛，里层软毛，其他品种的大多不是纯血西高地犬。白先生回到鞍山后，发现此前从蒋先生处购买的部分犬只不具备前述特征，于是决定从这两批犬中挑选8只送检。
20260608 ? 樱花动漫《女子怀孕计划》百度百科2024年德佩出人意料加盟巴西豪门科林蒂安，79场各项赛事交出20球15助，表现好坏参半。这名曾效力巴萨、马竞、里昂、曼联、埃因霍温的前锋，在美职联更适合出任二前锋。双性佳人的假期(全息游戏)笔趣阁狄莫毫无疑问。那些资源不属于我。我带来的是方案，是我的工作成果。我们都知道，最好的球员总是想来皇马。但大家也不要忘记俱乐部的社会属性。
京公网安备11010202000001号
