10 月 14 日，阿里 Qwen 团队开源了面向视觉智能体的 3D 创作基准 BlenderWorld，给 AI 出了一套 3D 建模大考：223 个任务，判分依据是 2,651 条逐条二元判定的标准。 和"生成一张好看的图"不同，这场考试要求 AI 在 Blender 里交付一个可继续编辑的 .blend 工程文件，并按需输出渲染图、视频或模型导出文件。 考试难度已经写进成绩：13 个前沿模型同台参赛，GPT-6-Astra 领跑全场。 但即便是榜首，把全部标准一次性通过的任务也还不到半数。GitHub新浪科技BlenderWorld项目官网
2,651 条标准不是平均分配：绝大多数躲不掉
拆开看，这 2,651 条标准的分布很不均匀。官方数据集统计图显示，它们分属 13 个评分维度：功能（Function）660 条、几何（Geometry）446 条、构图 310 条、材质 291 条、灯光 203 条、空间布局 157 条，其后是整体印象、布局、物理、尺度、存在感、数量、颜色各 26 到 156 条。换算下来，平均一道题约对应 12 条标准；任务按产品、建筑、自然环境、角色、动画、科学可视化等 9 大类、22 个子类展开。 每条标准只有过与不过两种结果，并按重要性分为 1、2、3 三档权重。 权重分布比看上去严苛：权重 3 的高权标准占 83.3%，权重 2 占 14.9%，最低档权重 1 只有 1.8%。也就是说，绝大多数要求都是"必答且高分值"的，靠少量亮点拉分的空间很小。新浪科技GitHub
更难的一层是没法按考纲复习。任务简报、参考素材和附件只交给答题的智能体，评分标准在生成阶段全程保密，评测检验的是交付的工程是否真正逐条满足要求。BlenderWorld项目官网
判的是"能不能用"，不是"好不好看"
评分由两类裁判分工完成：场景结构类标准交给 Agent-as-Judge，用 Blender 工具直接读取 .blend 工程来查；外观类标准和八项整体视觉维度交给 VLM，依据渲染图和视频帧来判。 这意味着想靠渲染一张漂亮画面蒙混过关行不通——层级、材质、灯光、相机必须真实存在且经得起检查。GitHub
渲染环节同样有工程化约束：独立渲染代理选 8 个自适应视角，以 Cycles 1024×1024、64 采样保留原场景渲染，每个视角最多允许两次纠偏性重渲；提交件里的原始图像与抽样动画帧再作为补充证据。GitHub
最终成绩由两半合成：规则符合度按加权通过率折算百分制，视觉质量取场景保真、物理合理性、风格与配色、真实感、空间布局、比例与尺度、光照与材质、完整性八个维度的 1-10 分均值，两者各占 50%。 没有交上 .blend 或评测失败的提交直接记零分，并且留在计分分母里——逃题、弃答都换不来体面分数。新浪科技GitHub
榜单拆解：丢分丢在三处
第一处，高分不满贯。满贯通过率的梯度非常陡：GPT-6-Astra 42.2%，Opus-5 掉到 25.6%，GPT-5.6-Sol 15.7%，DeepSeek-V4.1-Flash 11.7%，Qwen3.8-Max 10.3%；垫底的 Gemini-3.8-Flash 和 MiniMax-M3 只有 0.45%——223 道题里仅 1 道题通过了全部标准。BlenderWorld项目官网
第二处，达标但不精。规则分与视觉分的差距暴露了质量短板：GPT-6-Astra 规则符合度 87.3 分，视觉质量只有 72.6 分；Opus-5 是 80.9 对 65.1，两项分差近 15 分。头部模型基本学会了"把要求做全"，画面却在灯光、材质、真实感上仍欠火候。
第三处，多模态拖累。基准里 78 题纯文字、130 题图文、15 题视频加文字，多数模型在带视觉参考的任务上反而更低：Opus-5 从纯文字 74.8 降到多模态 72.1，GPT-5.6-Sol 从 71.7 降到 65.5，Grok-4.6 从 60.0 降到 55.4；只有榜首 GPT-6-Astra 在图文与视频输入上反超，高出 Opus-5 达 8.6 分。 分品类看，最难啃的是自然风景（13 模型均分 49.4）、角色与生物（49.9）、动态艺术（51.8），得分最高的反而是程序化与游戏资产（63.0）。几何规则清晰、拓扑规整是 AI 的舒适区；复杂自然形态、角色解剖和动画时序，才是真正的硬骨头。BlenderWorld项目官网
Qwen 为什么要出这样一套题
任务几乎全部来自真实生产需求：11 大应用场景就覆盖了 213 题，其中分镜脚本 35 题、产品发布 21 题、电商视觉 20 题；另有 59 题附带 Markdown、YAML、JSON 格式的尺寸、材质或相机参数规格文件。 换句话说，BlenderWorld 想测的是从"读懂需求—操作生产工具—交付可接手资产"的端到端能力，而不是单点的 3D 生成效果。GitHub
裁判本身的可信度也做过验证：主自动裁判 GPT-5.6-terra 在 147 组可形成多数人类偏好的对比中，与人类偏好一致率为 82.99%。 这套基准的工程门槛也不低：生成需 Linux、Blender 4.2.10，评测还需 Node.js 22.17、ffmpeg 与一个可调用的视觉模型服务，但任何生成框架都可以接入跑分。 Qwen 自家的模型也在榜单里接受检验：Qwen3.8-Max 得分 60.6 排第五，Qwen3.8-27B 得分 47.7 排第十，与榜首仍有 19 分以上的差距。BlenderWorld项目官网GitHub
BlenderWorld 的"难"，难在把 3D 生成评测从"比图片"改成了"验收工程"：可编辑的交付物、2,651 条加权标准的逐项过与不过、全程保密的评分细则、零分进分母的计分规则。79.9 分的榜首与 42.2% 的满贯通过率说明，"把要求做完"已经接近天花板，"做得好看、改得动、接得住"仍在路上。
