模型 / 官方
首个面向真实参考的 3D 创作视觉智能体基准
阿里 Qwen 团队在 GitHub 上开源了 BlenderWorld，这是一个专门用于评测视觉智能体在 3D 创作任务中表现的基准测试框架。该基准包含 223 个任务，覆盖产品设计、建筑、环境、角色、动画及科学可视化等 9 大类别和 22 个子类别，共设置 2651 条二元评判标准。任务输入形式多样，包括纯文本、图文组合及视频加文本三种模式，部分任务还附带尺寸、材质或摄像机设置等规格说明文件。智能体需在 Blender 环境中接收任务简报和参考媒体，最终输出可编辑的 Blender 工程文件及所需导出资产。评分体系将场景检查评分与视觉质量评分各占 50% 加权合并，力求全面衡量 3D 生成质量。目前该项目已在 GitHub 获得超过 100 颗星，并同步发布技术报告及 Hugging Face 数据集。
BlenderWorld 由阿里 Qwen 团队推出，旨在填补当前 AI 评测领域在三维内容创作方向上的空白。现有多模态基准大多聚焦于图像理解或二维生成任务，而 BlenderWorld 则将评测场景延伸至 Blender 这一专业级三维创作软件，要求智能体不仅能理解参考素材，还需输出结构完整、可供后续编辑的工程文件，显著提升了任务的复杂度与实用性。
该基准的 223 个任务按输入模态分为三类：78 个纯文本任务、130 个图文组合任务以及 15 个视频加文本任务。其中 59 个任务还附带规格说明附件，对模型尺寸、材质属性或摄像机参数提出明确要求。任务 ID 从 bw_0001 到 bw_0223 统一编号，覆盖的应用场景涵盖产品渲染、建筑外观、自然环境、角色建模、动画制作及科学可视化等多个领域。
在评测流程上，BlenderWorld 采用标准化的三步工作流：首先通过 bw prepare 命令准备任务工作区，智能体在获得任务描述、参考媒体及附件后，利用 Blender 的编程接口或 MCP 工具生成三维场景；随后将输出打包为 ZIP 格式提交；最后由 bw evaluate 命令调用渲染器和视觉语言模型完成自动化评分。整个流程支持断点续评，并可通过 --dry-run 参数预览执行计划而不实际调用模型服务。
评分机制是 BlenderWorld 的核心设计之一。渲染器以 Cycles 引擎在 1024×1024 分辨率下生成 8 个自适应视角图像，每个视角最多允许两次修正性重渲染。场景检查类标准由智能体担任裁判，视觉类标准及 8 个整体质量维度则交由视觉语言模型评判。每条二元标准按重要性赋予 1、2 或 3 的权重，最终得分由评分卡得分与维度得分各占 50% 合并计算，满分为 100 分。
在工具链兼容性方面，BlenderWorld 要求使用 Blender 4.2.10 生成和评测项目，同时支持 Node.js 22.17.0、Codex CLI 及 Claude Code 等编程智能体环境。评测端需配置支持视觉能力的 Chat Completions 接口，论文中使用 GPT-5.6-terra 担任三种评判角色。此外，框架还提供可选的 Harbor 集成适配器，方便用户接入自定义的生成与验证流程，具备较强的扩展性。
从更宏观的视角来看，BlenderWorld 的发布标志着 AI 智能体评测正在向更贴近专业生产流程的方向演进。3D 内容创作长期依赖人工操作，自动化程度低，而该基准的出现为研究社区提供了一把可量化的标尺，有助于推动视觉智能体在建筑设计、游戏开发、影视制作等垂直领域的落地应用。目前项目已开源，数据集同步托管于 Hugging Face 和 ModelScope 平台。
要点
- BlenderWorld 包含 223 个任务和 2651 条二元评判标准，是目前首个系统评测 AI 智能体在 Blender 中完成真实参考驱动 3D 创作能力的基准
- 任务输入支持纯文本、图文组合和视频加文本三种模式，59 个任务还附带材质、尺寸等规格说明文件，贴近真实生产需求
- 评分体系将场景检查评分与视觉质量评分各占 50% 加权合并，兼顾结构正确性与视觉美观度
- 框架支持任意生成方案接入，并提供标准化的准备、打包、评测三步工作流，具备断点续评能力
- 项目已在 GitHub 开源，数据集同步发布于 Hugging Face 和 ModelScope，并附有完整技术报告