論文の概要: 3DCodeEdit: Benchmarking Instruction-Guided 3D Program Editing
- arxiv url: http://arxiv.org/abs/2610.38231v1
- Date: Wed, 28 Oct 2026 03:29:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 18:34:16.428919
- Title: 3DCodeEdit: Benchmarking Instruction-Guided 3D Program Editing
- Title（参考訳）: 3DCodeEdit: インストラクションガイドによる3Dプログラムのベンチマーク
- Abstract要約: 命令誘導編集タスクのベンチマークである3DCodeEditを導入する。
その編集はパラメータから構造的変化、スタイル、シーン構成まで様々で、人間レビューされたチェックリストに対するレンダリングから判断される。
17モデル中、平均成功率は37%に過ぎず、最強モデルでさえ、構造的およびスタイル的な編集の60%以下である。
- 参考スコア（独自算出の注目度）: 56.634290206718184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language models increasingly create 3D content through code, with practical workflows often relying on editing existing programs rather than regenerating them, for speed and precise control. Such edits require understanding what a program builds and foreseeing how a change reshapes it, yet prior benchmarks mostly evaluate generation or simple edits against a reference. In this paper, we introduce 3DCodeEdit, a benchmark of 2,592 instruction-guided editing tasks over 108 Blender programs that construct objects entirely in code. Its edits range from parameter to structural changes, style redesign, and scene composition, and are judged from renders against human-reviewed checklists. Across 17 models, the average success rate is only 37%, and even the strongest models complete fewer than 60% of structural and style edits. As models become more capable, their failures shift to geometric foresight, where the code runs but builds the wrong shape. We therefore study whether multi-turn feedback can compensate for this missing foresight. Feedback from a separate reviewer model that describes how the renders differ from the request helps most, more than maximum reasoning effort or an agent harness, and can let a 27B model surpass the single-shot rate of a 2.8T-parameter model.
- Abstract（参考訳）: 言語モデルはコードを通じてますます3Dコンテンツを作成するようになり、実際のワークフローは、スピードと正確な制御のために、既存のプログラムを再生するよりも、既存のプログラムを編集することに頼っている。
このような編集は、プログラムが何をビルドするかを理解して、変更がどう影響するかを予測する必要があるが、以前のベンチマークは、参照に対する生成や単純な編集を主に評価する。
本稿では,2,592個の命令誘導編集タスクを108個のブレンダープログラム上でベンチマークした3DCodeEditを紹介する。
その編集はパラメータから構造的変化、スタイルの再設計、シーン構成まで様々で、人間レビューされたチェックリストに対するレンダリングから判断される。
17モデル中、平均成功率は37%に過ぎず、最強モデルでさえ、構造的およびスタイル的な編集の60%以下である。
モデルがより能力を持つようになると、その失敗は幾何的な視点に移行し、そこでコードが実行されるが、間違った形を作る。
したがって、この欠落に対するマルチターンフィードバックが補うことができるかどうかを考察する。
リクエストとレンダリングがどのように異なるかを記述した別のレビュアーモデルからのフィードバックは、最大の推論やエージェントハーネス以上の助けとなり、27Bモデルは2.8Tパラメータモデルの単発レートを超えることができる。
関連論文リスト
- EditHero: A Benchmark for Long-Horizon Part-Level 3D Editing and Vibe Modeling [49.06490426927511]
EditHeroは、長い水平部分の3D編集のための最初のベンチマークです。
決定論的アセンブリエンジンは、編集毎に正確なターゲットを生成し、各シーケンスを手動でレビューする。
信頼性のある反復3D編集の研究を支援するために,エンジンと編集シーケンスをリリースする。
論文 参考訳（メタデータ） (2026-10-01T17:50:53Z) - Procedura: Agentic 3D Modeling with Procedural Control [52.232812096564906]
Proceduraは、オブジェクトを手続き的なアセンブリとして記述する、新しい3Dモデリングエージェントフレームワークである。
テキストプロンプトから、エージェントはアセンブリグラフとしてオブジェクトを計画し、プログラム部分を部分的に書きます。
分離された視覚評論家は、一度に診断された修正を精製する。
論文 参考訳（メタデータ） (2026-08-26T17:54:39Z) - Omni-3DEdit: Generalized Versatile 3D Editing in One-Pass [0.0]
我々は,様々な3D編集タスクを暗黙的に一般化する学習ベースモデルであるOmni-3DEditを紹介する。
学習ベースモデルとして、我々のモデルはオンライン最適化に時間を要することなく、様々な3D編集タスクを1回のフォワードパスで完了させることができる。
論文 参考訳（メタデータ） (2026-03-18T15:32:41Z) - EditCast3D: Single-Frame-Guided 3D Editing with Video Propagation and View Selection [41.62398264236209]
EditCast3Dは、ビデオ生成基盤モデルを使用して、再構築前にデータセット全体にわたって単一のファーストフレームから編集を伝搬するパイプラインである。
一般的に使用されている3D編集データセット上でEditCast3Dを評価し,最先端の3D編集ベースラインと比較した。
これらの結果は、基礎モデルを3D編集パイプラインに統合するためのスケーラブルで汎用的なパラダイムとしてEditCast3Dを確立している。
論文 参考訳（メタデータ） (2025-10-11T22:15:47Z) - Towards Scalable and Consistent 3D Editing [32.16698854719098]
3D編集は没入型コンテンツ制作、デジタルエンターテイメント、AR/VRに広く応用されている。
2D編集とは異なり、クロスビューの一貫性、構造的忠実さ、きめ細かい制御性を必要とするため、依然として困難である。
我々はこれまでで最大の3D編集ベンチマークである3DEditVerseを紹介した。
モデル側では、3次元構造保存条件変換器である3DEditFormerを提案する。
論文 参考訳（メタデータ） (2025-10-03T13:34:55Z) - SHAP-EDITOR: Instruction-guided Latent 3D Editing in Seconds [73.91114735118298]
Shap-Editorは、新しいフィードフォワード3D編集フレームワークである。
フィードフォワード・エディター・ネットワークを構築することで,この空間で直接3D編集を行うことが可能であることを示す。
論文 参考訳（メタデータ） (2023-12-14T18:59:06Z) - Editing 3D Scenes via Text Prompts without Retraining [80.57814031701744]
DN2Nはテキスト駆動編集方式であり、普遍的な編集機能を備えたNeRFモデルの直接取得を可能にする。
本手法では,2次元画像のテキストベース編集モデルを用いて3次元シーン画像の編集を行う。
本手法は,外観編集,天気変化,材質変化,スタイル伝達など,複数種類の編集を行う。
論文 参考訳（メタデータ） (2023-09-10T02:31:50Z) - A Structural Model for Contextual Code Changes [20.185486717922615]
部分的に編集されたコードスニペットが与えられた場合、私たちのゴールは、スニペットの残りの部分に対する編集の完了を予測することです。
提案モデルでは,最先端のシーケンシャルモデルよりも28%,編集コードの生成を学習する構文モデルよりも2倍高い精度を実現している。
論文 参考訳（メタデータ） (2020-05-27T07:16:19Z)
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。