阿里 Qwen 团队这次开源的不是一款 3D 建模模型，而是一场专门考 AI 智能体的“大考”。通义千问团队把它放在了 GitHub 上，题目叫 BlenderWorld：AI 要根据文字、图片、视频和规格说明，在 Blender 里生成可继续编辑的 3D 场景，而不是交出一张好看的渲染图。 题库共 223 个任务、2651 条二元判定标准，覆盖产品、建筑、自然、角色、动画与科学可视化。IT之家GitHub
官网已公布 13 个前沿模型的同卷成绩，GPT-6-Astra 以 79.9 分登顶，但只有 42.2% 的题目能把判分标准全部通过，出题方自家的 Qwen3.8-Max 排到第五。 这份考卷真正的难，不在分数，而在“全对”两个字。BlenderWorld 官网BlenderWorld 官网
考的是什么：223 道真题，交卷要带工程文件
九大类任务里，建筑与室内题量最大（72 道），往下依次是艺术动画 30 道、产品制造 28 道。输入形态分三档：纯文字 78 道、图文 130 道、视频加文字 15 道，其中 59 道题还附带规格文件，对尺寸、材质或相机参数写明硬指标。 AI 拿到的是一份任务简报加参考素材，评分细则在作答期间全程保密，防的就是“看着标准写作文”。GitHubBlenderWorld 官网
怎么判分：结构查工程，观感看图，各占一半
渲染环节，评测代理会为每道题选取多个自适应视角进行 Cycles 渲染取证；结构层面由 Agent 裁判直接检查 .blend 工程，外观层面交给视觉模型，按场景保真、物理合理性、空间布局、光照材质等八个维度打分。 最终得分一半来自判分标准的加权通过率，一半来自八个维度的质量分；缺交或跑崩的任务计零分且留在分母里。 主裁判是 GPT-5.6-terra，官方校验显示，它的总分判断与三人评审多数意见在 147 组有效对比中一致 122 组，吻合率 82.99%。魔搭ModelScopeGitHubBlenderWorld 官网
放榜：分数能看，全对率塌得很快
前三名与第五名之间是道断崖。GPT-6-Astra 79.9 分之后，是 Opus-5 的 73.0、GPT-5.6-Sol 的 67.7、DeepSeek-V4.1-Flash 的 65.7，Qwen3.8-Max 以 60.6 分列第五——通义千问自己出的题，自家模型并没有拿冠军；垫底的 Gemini-3.8-Flash 与 MiniMax-M3 分别为 34.2 分和 31.8 分。 更能拉开档次的是“全对率”：79.9 分的榜首也只把 42.2% 的任务做成了全部标准通过，Opus-5 降到 25.6%，第四名往后不足 12%，末尾两个模型只剩 0.45%——223 道题里勉强对上一道。BlenderWorld 官网BlenderWorld 官网
过程开销的差距同样刺眼：按论文记录的均值，Opus-5 平均每题 158 轮工具对话、生成约 24.1 万 token，67.7 分的 GPT-5.6-Sol 只用约 45 轮、4 万 token，高分有相当一部分是算力堆出来的。 多模态题的落差更能说明瓶颈：带图带视频的题上，GPT-6-Astra 比 Opus-5 高出 8.6 分，而纯文字题差距明显更小——看懂参考图、照着实物把结构搭对，比读文字需求难得多。BlenderWorld 官网BlenderWorld 官网
这场大考为什么值得盯
BlenderWorld 把 AI 3D 的及格线从“生成一张图”挪到了“交付一个工程”：能不能继续编辑、尺寸材质符不符合要求、导出的资产还能不能用，这些以前没人监考的事，现在有了统一的判卷标准。 基准代码、任务数据和评测工具已在 GitHub、Hugging Face 与魔搭同步开放，任何团队都能拿自己的模型进场重考，这比一份榜单更能持续压出后续模型的进度。 知乎当天已经围绕“对 AI 建模落地有何意义”开题讨论——以目前的成绩看，AI 离“交钥匙”还远，但考试规则公开之后，进步至少变得可衡量了。 最后说清两条边界：榜单基于论文冻结的跑分环境（Blender 4.2.10 与指定版本工具链），换用别的智能体框架未必可复现；82.99% 的人类吻合率来自 147 组对比样本，裁判是大模型而非人工，结论适用范围有限。IT之家GitHub知乎
