阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准，给 AI 出一套 3D 建模大考

当大多数多模态评测还停留在“看图说话”时，阿里 Qwen 团队把考场搬进了 Blender。10 月 14 日开源的 BlenderWorld，是一个用来评测视觉智能体能否在 Blender 中完成真实 3D 创作任务的基准：它不要一张好看的渲染图，而要一个设计师能接着改的 .blend 工程文件。

一分钟速览

• BlenderWorld 由阿里 Qwen 团队开源，采用 MIT 许可证，代码与数据集已发布。
• 包含 223 个任务、2651 条评分标准，覆盖 9 大类、22 个子类。
• 要求交付可编辑的 .blend 工程，而不是单张图片，需构建材质、几何、灯光与相机。
• 评测从 8 个自适应视角渲染，规则符合度与视觉质量各占 50%。
• 环境基于 Blender 4.2.10，需要 Linux、Python 3.10 及以上。

一、为什么“交付工程文件”比“生成一张图”难得多

生成一张图，模型只需要让像素看起来合理；交付一个 3D 场景，模型必须让结构在任意视角下都成立。物体要有厚度，材质要有正确的反射和粗糙度，灯光要能解释阴影的来源，相机要能复现构图。更麻烦的是，这些元素之间互相约束：改一个灯光位置，阴影、曝光、材质表现都会变。

BlenderWorld 把这条门槛明确写进了任务定义：AI 不能只给画面，还要构建材质、几何结构、灯光、相机等可被设计师继续修改的场景。换句话说，它考的不是“绘图能力”，而是“工程能力”。这也是当前视觉智能体最难跨越的一步——从“看起来对”到“结构上对”。

二、223 道题是怎么设计的

基准包含 223 个任务和 2651 条标准，覆盖产品、建筑、自然环境、角色、动画和科学可视化等 9 大类、22 个子类。输入形式也做了区分：78 个任务只给文字描述，130 个任务给图片加文字，15 个任务给视频加文字；另有 59 个任务附带尺寸、材质或相机参数等规格文件。

这种分层设计很关键。纯文字任务考的是“从零构建”的想象力与常识；图文任务考的是“照着参考做”的还原能力；视频任务则要求模型理解运动、时序和镜头变化。规格文件的存在，则把任务从“自由创作”推向“按图施工”——尺寸差一厘米、材质折射率不对，都会被扣分。

三、评测流程：8 个视角 + 2651 条二元标准

评测时，系统会从 8 个自适应视角渲染提交的 Blender 项目，再结合场景检查、2651 条任务专属的二元评分标准，以及 8 项整体视觉质量评分。最终成绩由规则符合度与视觉质量各占 50% 加权得出。

“二元标准”意味着每条要求只有满足或不满足，没有模糊地带。比如“杯子是否有把手”“光源是否在画面左上方”“材质是否为磨砂玻璃”，都能被明确判定。这种设计牺牲了一部分主观美感，换来了可复现、可比较的分数，也让模型开发者能定位到具体失败项，而不是只看到一个笼统的总分。

8 个视角的渲染同样重要。单视角可以通过“贴图作弊”蒙混过关，多视角会暴露几何错误：背面穿模、厚度缺失、法线翻转，都会在某个角度露馅。

四、对 3D 与设计行业意味着什么

短期看，BlenderWorld 是一个评测集，不会直接变成生产工具。但它释放了两个信号。第一，3D 生成正在从“生成模型文件”走向“生成可编辑工程”，这对游戏、影视、家居、电商等依赖后续修改的行业更有价值。第二，评价标准开始工程化：不再只看渲染图的观感，而是看场景结构、参数合规和可编辑性。

对设计师来说，这类基准的意义在于划清边界。当 AI 能稳定产出“结构正确、参数合规”的基础场景，重复性的建模和布光工作会被大幅压缩，人的价值会更多集中在创意方向、审美判断和复杂场景的统筹上。

五、局限与下一步

BlenderWorld 目前仍以静态场景为主，对动画、物理模拟、角色绑定的覆盖有限；评测依赖具备视觉能力的模型服务，成本和可复现性会受外部服务影响；223 个任务对快速迭代的模型来说也可能很快被“刷满”，需要持续扩充。

但方向是清楚的：3D 智能体的竞争，正在从“能不能生成”转向“能不能交付”。谁能稳定产出设计师愿意接手修改的工程文件，谁就更有机会进入真实生产链路。开源这套基准，等于把考卷公开，接下来就看各家模型怎么答题了。