論文の概要: BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References

• arxiv url: http://arxiv.org/abs/2610.23986v1
• Date: Wed, 14 Oct 2026 12:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:58:24.987416
• Title: BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References
• Title（参考訳）: BlenderWorld: 実世界の参照から3D作成のためのビジュアルエージェントのベンチマーク
• Abstract要約: BlenderWorldは、現実的な3D作成タスクのフロンティアモデルを評価するための最初のベンチマークである。 アーキテクチャ,製品,自然環境,科学的可視化にまたがる223のタスクを,テキスト,画像,ビデオ,構造化された仕様入力によって評価した。 GPT-6-Astraは79.9点、Opus-5(73.0点)、GPT-5.6-Sol(67.7点)を最高点とする。
• 参考スコア（独自算出の注目度）: 90.28524764113553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in multimodal large language models (MLLMs) have enabled them to act as autonomous agents, creating and editing 3D models via code or direct software manipulation. In practical workflows, these models must infer object shapes, materials, spatial layouts, and lighting from diverse references while strictly following instructions to reconstruct, modify, or design 3D content. However, existing benchmarks provide limited coverage of such open-ended requests across real-world scenarios. To bridge this gap, we introduce BlenderWorld, the first comprehensive benchmark dedicated to evaluating frontier models on realistic 3D creation tasks. BlenderWorld comprises 223 tasks spanning architecture, products, natural environments, and scientific visualization, driven by text, image, video, and structured specification inputs. To rigorously assess these complex deliverables, we establish a unified evaluation protocol: we render the submitted Blender projects from multiple viewpoints and evaluate them against 2,651 task-specific binary rubrics alongside holistic visual quality scores. Benchmarking thirteen frontier models reveals that GPT-6-Astra achieves the highest overall fused score of 79.9, followed by Opus-5 (73.0) and GPT-5.6-Sol (67.7). Ultimately, our findings reveal a critical bottleneck: while current models can parse broad instructions, they still profoundly struggle with fine-grained 3D spatial coherence and accurate structural reproduction in Blender, leaving substantial headroom for future 3D-native agentics.
• Abstract（参考訳）: MLLM(Multimodal large language model)の最近の進歩により、彼らは自律的なエージェントとして機能し、コードや直接ソフトウェア操作による3Dモデルの作成と編集を可能にしている。 実際のワークフローでは、これらのモデルはオブジェクトの形状、材料、空間配置、照明を様々な参照から推測し、厳密に3Dコンテンツを再構成、修正、設計するための指示に従う必要がある。 しかし、既存のベンチマークでは、そのようなオープンエンドリクエストを現実のシナリオで限定的にカバーしている。 このギャップを埋めるために、現実的な3D作成タスクのフロンティアモデルを評価するための、最初の包括的なベンチマークであるBlenderWorldを紹介します。 BlenderWorldは、アーキテクチャ、製品、自然環境、科学的な視覚化にまたがる223のタスクで構成され、テキスト、画像、ビデオ、構造化された仕様入力によって駆動される。 複数の視点から提案したブレンダープロジェクトをレンダリングし,総観的な視覚的品質スコアとともに2,651個のタスク固有のバイナリルーリックに対して評価する。 13のフロンティアモデルのベンチマークでは、GPT-6-Astraが79.9点、Opus-5(73.0点)とGPT-5.6-Sol(67.7点)が最も高い点が示されている。 現行のモデルでは広い指示を解析できるが、細粒度の空間コヒーレンスとBlenderの正確な構造的再現に苦慮し、将来の3Dネイティブなエージェントにはかなりの支障を残している。

関連論文リスト

• Scaling Versatile 3D Assets Editing with a Million-Scale Dataset [66.0812907853948]
  本稿では,汎用的な3Dアセットエディタをトレーニングし,評価するための統合フレームワークであるAlchemy3Dを紹介する。 具体的には、1.25万の資産と1.38万の編集ペアを含む大規模な3D編集データセットであるAlchemy3D-1Mをキュレートする。 また,多次元評価プロトコルを備えた大規模オープンワールドベンチマークであるGEdit3D-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-09-28T04:20:58Z)
• VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End? [28.277597008733082]
  ベンチマークとトレーニングのための統合フレームワークVibeWorldingを提案する。 最初に開発したVWE-BENCHは,2,616の高品質な3Dアセット,323の人間アノテーション付きシード3Dワールド,6,828の逆合成マルチモーダルユーザクエリのベンチマークである。 資産検索,編集,画像レンダリングをMPPツールとして統合したマルチモーダルRLポストトレーニングフレームワークであるVibeWorlding-Gymを開発した。
  論文  参考訳（メタデータ） (2026-08-15T14:53:38Z)
• Think, Act, Build: An Agentic Framework with Vision Language Models for Zero-Shot 3D Visual Grounding [34.1504914582344]
  3D Visual Groundingは、自然言語記述を通じてオブジェクトを3Dシーンにローカライズすることを目的としている。 生のRGB-Dストリーム上で直接動作する2次元から3次元の再生パラダイムである"Think, Act, Build (TAB)"を提案する。 厳密なVLMセマンティックトラッキングによる多視点カバレッジ障害を克服するために,セマンティックアンコレッド幾何拡張を導入する。
  論文  参考訳（メタデータ） (2026-04-01T06:12:16Z)
• E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models [78.1674905950243]
  3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。 GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。 我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。 すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
  論文  参考訳（メタデータ） (2025-06-02T17:53:09Z)
• L3GO: Language Agents with Chain-of-3D-Thoughts for Generating Unconventional Objects [53.4874127399702]
  本稿では,3Dメッシュ生成を推論可能な3Dメッシュ生成手法であるL3GO(チェーン・オブ・3D思想)を用いた言語エージェントを提案する。 我々は,新しいベンチマークである Unconventionally Feasible Objects (UFO) と,Blender上に構築されたSimpleBlenv を開発した。 提案手法は,ShapeNet上での3Dメッシュ生成のための標準GPT-4および他の言語エージェントを上回る。
  論文  参考訳（メタデータ） (2024-02-14T09:51:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。