BlenderWorld
一个用真实任务检验AI能否在Blender里完成3D创作的评测基准
它不只看效果图，还检查可编辑工程内部结构，多项任务，多类场景，帮你判断AI的3D交付到底靠不靠谱。
核心功能
完整流程评测
要求Agent从需求与参考素材出发，完成建模、材质、灯光、相机、动画等环节，最终交出可编辑的.blend工程
多参考素材支持
任务输入涵盖图片、视频与纯规格文件三类方式，贴近不同来源的实际创作需求
宽领域任务覆盖
多项任务涉及建筑室内、产品制造、车辆机械、角色动物、自然环境、动画、仿真、科学可视化等方向
双轨自动评审
VLM评审渲染图像与视频，工程检查Agent核对.blend文件内部结构与属性，两边互相补位
多视角证据生成
自动为提交工程选取8个互补视角，用Cycles渲染补充视觉证据，减少单角度误判
双维度综合评分
按0.5×Rubric加0.5×Dimension计算综合分，同时报告Perfect通过率，区分覆盖高与完整交付
产品特色
- 01
验收标准严密且对生成方不可见
2651条二元标准经过试评测和至少两个独立评审模型交叉检查后冻结，按重要性赋权，生成Agent看不到具体条目，针对性取巧的空间被压得很小
- 02
双轨评审补足视觉盲区
光看渲染图容易漏掉内部结构、精确尺寸和动画配置，加入原生工程检查后，这些单张主视角图暴露不了的缺陷也能被发现
- 03
评分兼顾完成度与观感
Rubric和Dimension各占一半权重，另设Perfect指标，把“需求覆盖得差不多”和“完整可靠交付”区分开来
- 04
任务覆盖广、参考形式多样
多项任务，多类场景，图片、视频、纯规格文件都能作为输入，测试面不至于太窄
- 05
强制交付可编辑工程
只交效果图不算数，未提交.blend工程直接记零分，这个设定让评测更贴近真实制作流程
应用场景
✅ 3D Agent能力评测
给开发Blender自动化Agent的团队提供标准化测试场，量化重建、修改、设计三类创作能力
✅ 大模型选型对比
在同一套2651条验收标准下横向比较不同闭源或开源模型的3D交付可靠性，辅助技术选型
✅ 模型迭代回归测试
Agent或基座模型每次升级后跑一遍基准，通过Perfect分数和失败轨迹定位能力退化或提升点
✅ 失败分析与能力补强
用多视角证据和执行轨迹诊断典型缺陷，指导自检逻辑与修复策略优化
✅ 科研基准与社区榜单
作为开源学术基准，支撑3D视觉Agent领域的论文评测、排行榜与训练数据构建
常见问题
解答您关于"BlenderWorld"的常见疑问，让您更好地使用这款AI工具
-
普通评测往往只看渲染出来的效果图，BlenderWorld要求交付可编辑的.blend工程，还用工程检查Agent核对内部结构和属性。也就是说，它不只看“像不像”，还看“做得对不对”，未提交工程直接零分。
-
研究者借助多模态模型生成并改写任务需求，人工检查附件可读性和图文一致性，再从需求、参考和附件里提取验收条件，经试评测与至少两个独立评审模型交叉检查后冻结为6到22条二元标准，按重要性赋权。
-
一条是VLM-as-Judge，基于图像和视频判断外观、空间布局与运动；另一条是Agent-as-Judge，通过工具直接检查.blend工程中的原生结构与属性，必要时才参考视觉证据。两者结合能覆盖渲染图看不出的精确尺寸和内部结构。
-
系统在独立评测环境读取你的.blend工程，由Automatic Agent Render自动挑选8个互补视角，以1024×1024分辨率、64 samples用Cycles渲染，视频任务另补有序采样帧作为运动证据，然后进行双轨评审并给出评分。
-
先运行pip install -U modelscope安装数据集下载工具，再调用dataset_snapshot_download(dataset_id="Qwen/BlenderWorld", local_dir="./BlenderWorld-data")把223项任务拉到本地，之后让你的Agent读取任务需求与参考素材开始创作。
-
实测13个系统里，最强的GPT-6-Astra也只有42.2%的任务完全达标。这个数字说明3D创作Agent离稳定交付还有距离，也意味着基准本身有足够的区分度，不是随便就能刷满的。
立即体验“BlenderWorld”
BlenderWorld是Qwen团队联合多所高校推出的3D创作Agent评测基准，包含多项真实任务，看AI能否根据照片、视频或设计规格在Blender里交付可编辑工程。它用多视角渲染加原生工程检查双轨评审，多条验收标准衡量完成度与视觉质量，适合做模型选型和迭代测试。
