拿到79.9分，仍有超过一半任务没有满足全部要求。BlenderWorld给3D智能体出了一道更接近交付的问题：它做出的椅子、建筑或科学示意，不仅要在一张图里看着合理，还要保存成可编辑工程，经得起换个角度和检查内部结构。论文于10月14日提交，作者来自阿里巴巴及浙江大学、香港中文大学等机构；这不是今天刚发布的新模型，而是一套检验创作结果的研究基准。

快速看点：223项任务覆盖9个大类、22个子类，配有2651条二元判定标准；提交物包含可编辑的.blend工程与任务要求的导出文件；多视角图像和工程检查分别提供证据。综合分数与所有要求全部通过，是两种不同口径，不能把前者直接改写成交付成功率。

为什么一张漂亮图片不够

现有智能体已经能够写脚本、调用工具，在Blender中搭建和修改场景。但实际委托往往混合了外观与结构要求：产品需要指定材质，建筑要保留空间关系，教学模型要呈现内部组件。正面看上去接近参考图，并不证明遮挡处、背面或对象关系同样正确。

BlenderWorld把任务组织为重建、修改及参考驱动的设计，覆盖建筑、产品、自然环境和科学可视化等场景。输入有78项纯文本、130项图文及15项视频加文本任务；其中59项还附带结构化规格文件。这59项与前面的输入类型交叉，并不是另加59道题。

任务要求最终交出可编辑Blender项目，而不是只提交一张渲染图。这样，下游才能继续调整对象、查看层级或导出所需媒体。缺失工程文件会带来明确失败，失败任务也不能从总体统计中悄悄去掉，否则漂亮样例会掩盖无法交付的部分。

八个视角负责看，结构检查负责查

评测首先打开提交的工程，根据任务挑选八个互补视角，每个视角采用1024×1024分辨率、64次采样的Cycles渲染。视角根据任务决定，而非所有任务套同一机位，目的在于让关键要求能够被看见。

取证阶段可以调整相机和构图，却不能修复作者提交的几何、材质、灯光或动画。否则，评测工具就成了第二个创作者，测出来的不再是原智能体完成了什么。场景存在的缺陷，应留在证据中，而不是为了截图好看被重新布置。

随后，两条检查路径分工：视觉模型判断图像中的外观和空间属性，检查智能体直接读取工程的结构与文件属性。某个部件是否属于指定对象、规格是否真的写进场景，不能只靠一张图片猜测。两条路径依旧使用模型判断，不等于所有结果都经过人工验收。

79.9分与42.2%，不能混成一个结论

研究比较了13个前沿模型组成的智能体系统。GPT-6-Astra获得最高79.9的综合分数，但全部二元要求均通过的任务比例为42.2%。综合分数由任务标准得分与整体视觉质量评分各占一半组成，部分条件达标或画面质量较好，都可能抬高平均分。

因此，79.9并不表示79.9%的任务完全交付合格，42.2%也不能直接推广为所有现实3D项目的成功率。任务集合、工具链、推理设置和评委选择共同限定了这个结果；用户自己的素材、验收规范和预算可能完全不同。

比较还包含执行框架差异：部分系统使用Codex，其他系统使用Claude Code，测试采用单次任务尝试及较高推理设置。这个排名展示的是当时协议下的系统表现，不是隔离其他变量后只比较模型权重。换工具、增加重试或人工修订，都可能改变结果与成本。

错误分析指出，智能体可能做出依赖某个视角才能成立的几何，或无法把看到的缺陷转成有效结构修改。能发现“好像不对”，与定位哪个对象、参数或空间关系需要修复，仍是两种能力。观看更多截图不自动等于完成闭环。

小编判断：先把交付物写进验收合同

这套研究最值得企业实施团队借鉴的，是把展示效果与可复用成果拆开验收。试点时就应说明交付的是图片、视频、可编辑工程，还是三者组合；哪些要求可以从画面判断，哪些必须检查文件与场景状态，也要在执行之前固定。

团队可以从少量真实业务任务建立自己的检查清单，保留原始工程、失败结果和评测环境，再分别统计全部通过率、缺陷类型、人工修订量与总成本。这些是实施建议，并非论文已经证明的企业收益，也不意味着基准分数足以替代专业设计审核。

公开任务与评测协议提供了可以检查的方法，但本次报道没有自行运行全部基准。对准备把3D智能体送进生产的团队，真正需要回答的不是“最高能拿几分”，而是下一位同事接过文件之后，是否还能理解、修改并可靠使用它。