30个AI模型搭轮椅实测：画得像却转不动

2026年，GPT-6 Astra发布当天，科技圈一片沸腾。所有人聊的都是同一件事：这个新模型能不能直接把脑子里的想法变成真实存在的物体。

你顺口说一句“给我做个轮椅”，AI就自己挑零件、拼装、定材料、排好组装顺序，最后交出一份能照着造的设计图。听着像科幻小说，但伊利诺伊大学香槟分校的一群研究者觉得不对劲：这事真靠谱吗？

他们拉来30个顶尖AI模型做实验，结果挺扎心。这些AI生成的轮椅个个像模像样，四个轮子、靠背、扶手一样不缺，摆着拍照绝对能唬人。可真要信了它、照着图纸去造，大概率会发现：轮子压根转不动，AI根本没给它装上能转的轴承。

论文名字叫LMBuild，想干的事说白了就一句：别光看AI造的东西好不好看，得看它能不能真用。

为什么“看起来对”不等于“真的对”

先说这个问题难在哪。

以往评价AI生成的3D模型，标准基本都盯着“长得像不像”“好不好看”这类视觉层面。你给AI一张椅子照片，它吐出一个3D模型，评审团就看轮廓对不对、材质贴图美不美、细节丰不丰富。

这套评价体系拿去评雕塑或者电影特效挺合适，可放到“造一个真能用的东西”这个场景里就露馅了。

**一个结构看起来完美无缺，完全可能是个根本立不起来、动不了、拼不起来的废物。**

论文作者举了个特别直观的例子。AI造了个烤面包机，外观上面包插槽都对，拍照效果拉满。可仔细一看，管控烘烤时间的旋钮没了，感知面包烤没烤熟的温度传感器没了，面包烤好了弹出来的弹簧机构也没了。拿着这份“设计图”去买零件组装，最后会得到一个只能插进面包、但永远不会自动弹起来的黑盒子。

再比如马桶。马桶盖和坐便器之间的铰链，AI很擅长做对，这部分视觉上显眼，容易学到。可水箱里真正负责冲水的阀门、把手连接到阀门的那根拉杆，这些藏在内部、不太显眼的功能部件，经常被直接漏掉。

研究者想解决的核心矛盾就在这：**AI现在很擅长“画”出一个东西的样子，但它对这个东西“为什么长这样”“每个部件是干什么用的”，理解得远远不够。**

想象一下，你找了个从没见过真实汽车、只见过汽车照片的画家，让他给你画一辆能开的车。轮子、车门、方向盘他都画得出来，构图完全正确，甚至光影都很漂亮。但他画不出发动机怎么把动力传到车轮上，因为他从没拆开过真正的发动机舱，根本不知道里面那套传动系统长什么样、为什么非要这么连接。

“会画但不懂原理”这道差距，正是LMBuild想要量化和暴露的东西。

给AI建了个真正的“组装车间”

要测出这种差距，光看最后生成的静态模型不够。研究团队干了件挺硬核的事：没让AI一步到位“生成”3D模型，而是搭了个交互式虚拟组装环境，逼着AI像真正的工程师那样，一步一步把东西拼出来。

在这个环境里，AI能做的操作被拆成很具体的几种。它可以去零件库里检索现成的零件，比如一个标准轮子、一根标准轴；库里没有合适的，它也能自己用几何建模造一个全新的零件；拿到零件，它得自己决定放在空间里哪个位置、什么朝向；放完还得明确声明两个零件之间怎么连接，是用螺丝固定死，还是装一个能转动的铰链。

工具环境*：指论文里搭的那套让AI能调用“检索零件”“创建零件”“放置零件”“声明关节”“检查结构”等工具函数的交互式3D搭建系统，AI通过多轮调用这些工具一步步完成整个物体的组装，而不是一次性输出一个完整模型。

另外，AI还得逐一说清每个零件使用的材质——木头、金属、塑料或者橡胶，最终交出一份完整的组装顺序说明。这份说明要像宜家家具的装配指南，告诉“工人”哪块板先装、哪块板后装。

这个思路背后其实藏着一个很朴素的判断：**只让AI画出最终成品的样子，它可以靠“蒙混过关”的套路糊弄过去；可要是逼它交代清楚每一步怎么拼上去、用了什么材料、哪里能转动，它的理解深浅就藏不住了。**

这就像考学生数学题。只要求写出最终答案，他可以蒙一个数字糊弄过去，你根本不知道他是不是真理解了解题过程。但要求他把每一步演算都写清楚，他对这道题到底懂不懂，一眼就能看出来。不这样设计评测方式，很多AI可能只学会了“3D模型长什么样”的表面规律，却完全没真正理解物体内部的功能逻辑，这种欺骗性在只看最终渲染图的评测体系里发现不了。

环境里还备了19种工具函数，功能覆盖很全：从列出可用零件、检查当前结构是否碰撞穿模，到渲染六个视角的效果图让AI自查，都有对应工具。说到底，整套系统就是想让AI组装的过程尽量接近现实中工程师用CAD软件搭模型的流程。

2600多个真实物体，加上维基百科当裁判

光有一个组装环境还不够，还得有足够多、足够靠谱的测试题目，以及一套客观的打分标准。

研究团队先是从约36.8万个候选3D物体中挑出2549个高质量参考目标，再进一步缩到200个，组成核心测试集。数据来源很杂：乐高积木拼装数据集、精密机械CAD装配图，以及27个开源硬件项目——一台能实际使用的天文望远镜追踪器、一台开源咖啡研磨机、一台3D打印机，还有一台机械计算器都在其中。

有个细节得单独说。研究者并不满足于让AI只照着3D模型的几何形状去生成结构，他们还专门从维基百科里挖了一层“知识地基”。

Wikipedia知识锚定*：研究团队针对每个待测物体类别，从维基百科和维基数据中提取经过验证的事实性描述，涵盖该物体应有哪些核心部件、这些部件通常用什么材料、哪些部分应当能够活动。这些信息被当作评判AI生成结果是否符合常识的客观标准，而不是靠评测者的主观印象。

落到操作上，以“轮椅”这个类别为例，系统先到维基数据里查轮椅概念关联的“组成部分”关系，车架、轮子、刹车、扶手等都在其中，然后再去对应的维基百科词条里找支撑这些说法的原文引用。为防止AI模型自己编证据糊弄评测，系统要求每条被提取的“事实”都必须附一句能在原文里逐字找到的引用；找不到原文支撑，这条事实直接作废。

这个思路其实挺聪明。只靠人工凭经验去定义“一个轮椅应该有哪些零件”，很容易带入个人偏见，或者漏掉一些不那么显眼却确实重要的部件。反过来，让一个大语言模型去维基百科这种公开、可核查的知识库里按图索骥，找到的每条规则都有据可查，评测过程也就更客观、更可复现。

好比出题：出题老师全凭记忆和感觉定标准答案，容易出错，也容易带偏见；每道题的标准答案都附上权威教科书的原文出处，其他人复核就有据可依，争议也会少很多。

四层打分体系：从能不能立住，到能不能真的用

测试题和知识地基都有了，接下来是怎么打分。研究团队设计了一套由浅入深、共四层的评价体系，一层层考察AI生成结构的质量。

第一层是结构稳健性，看的是最基础的物理常识。生成的这堆零件是不是真拼在了一起，有没有零件悬在半空跟整体脱节；零件之间会不会互相穿模打架；整个结构站在地上会不会一碰就倒。这一层相当于及格线，过不了，后面根本不用谈。

第二层是功能可供性，也是整篇论文的重头戏。它看生成的物体是否具备该类别应有的功能部件，关节和运动方式是否符合这个物体该有的动作逻辑。比如椅子的靠背应该能靠，吸尘器的开关应该能启动电机。

第三层是设计质量，看整体美学和设计合理性：零件拆分得合不合理、造型好不好看、跟参考图像不像。

第四层是物理可实现性，最接近“能不能真造出来”这个终极问题。它要检查给出的组装顺序是否真的可执行，后装的零件会不会被先装的零件挡住装不进去；材料选择是否合理，比如轮胎用橡胶、车架用金属；最后还要跑一次模拟仿真，看结构在物理引擎里实际运行时，该转的地方是不是真能转起来。

四层加起来拆成12个具体小指标，每个指标都尽量用可复现、可量化的方式打分，而不是单纯靠人工主观评判。

关节运动仿真*：论文评测中，针对结构里声明的每一个可动关节，用MuJoCo物理引擎实际驱动它运动，检查该关节在真实物理约束下能否达到预期运动幅度、会不会在运动中和别的零件严重碰撞，或者让整个结构失衡倾倒，而不是只看关节参数是否“写得像那么回事”。

仿真这一环特别狠。不少AI会在结构说明里“写上”一个铰链，角度、轴向等参数看起来都对，可真拿物理引擎去转，会发现铰链被旁边的零件死死卡住，根本转不动，或者一转整个物体就瞬间失衡倒下。这种“纸面正确、实际作废”的情况，只有真正跑一遍物理仿真才能揪出来。

结果出来了，差距主要出在哪儿

测试跑完，结果挺有意思。

研究团队发现，对GPT-6 Astra、Claude Opus 5这些最顶尖的闭源模型来说，结构稳不稳、好不好看已经基本不是问题。它们在结构稳健性这一层普遍能打到85分以上，设计质量也能稳定在70分左右。开源模型在这方面还有差距，但差距主要体现在美学细节的打磨上，底子已经不差了。

真正拉开差距的是第二层和第四层：功能可供性和物理可实现性。

分数一摊开，差距很刺眼。GPT-6 Astra 已经是表现最好的，功能部件完整度也只拿到 45.3 分，关节运动学正确性仅 41.7 分；大多数开源模型在关节运动学这一项上连 25 分都没到。最后那道物理可操作性测试，是把模型放进物理引擎里看它到底能不能转、能不能动，结果全体都不理想，最高分也不过 30 分出头。

**这意味着一件事：AI造出一个“看起来对”的东西，比造出一个“真能用”的东西，要容易太多了。**

这就好比一个只背过菜谱、却从没真正下过厨的人。菜名、食材清单、烹饪步骤他能倒背如流，写出来的菜谱文字上挑不出毛病。可真让他掌勺，油温该多高、什么时候下锅、火候怎么调，这些没在真实厨房里摸爬滚打出来的手感，文字菜谱给不了他。AI目前面对复杂结构生成的状态，大概就是这种“背菜谱很熟，掌勺很生”的阶段。如果继续只用静态渲染图去评测AI，这种虚假的熟练感会一直被掩盖，没人会意识到问题出在哪里。

强模型爱自己造零件，弱模型离不开现成库

团队还设计了一组对照实验，把 AI 可用的工具分成三种模式分别跑：一种只准从现成零件库里挑，一种既能挑也能自己造新零件，还有一种只许自己造、不许挑现成的。

实验结果有点反直觉：能力偏弱的模型被允许自行创造新零件后，表现反而更差，成了实打实的负担。Qwen3-VL-32B 就是例子——只准从现成零件库里挑时，它的平均得分是 61.7 分；换成只许自己造零件，分数一下跌到 34.1 分，接近腰斩。道理并不复杂：从零做出一个零件，得同时兼顾尺寸、形状以及和别的部件怎么对接，几何推理的难度陡然上升，能力不足的模型当场就撑不住了。

顶尖闭源模型却是另一番景象。在既能挑也能造的模式下，它们更愿意主动动手造零件，而且造出来的东西往往比直接从库里选更管用。对这类强模型而言，现成零件库反倒成了束缚——库里的标准件未必贴得上某个特定结构的需要，按需定制一个，效果更好。

这现象其实很符合直觉，只是平常不容易想到。刚学木工的新手，给他一堆标准尺寸的木板，拼拼凑凑还能做出个像样的书架；可要是让他拿锯子从原木开始切出想要的形状，大概率尺寸切坏、成品拼不出来。换成老木匠，面对标准木板反而觉得束手束脚，他更愿意自己现切，因为他清楚自己要的是什么形状，标准件未必刚好合适。所以说，不能简单粗暴地给所有模型都开放"自由创造"的权限——能力不够时，自由就是负担。

给AI一份详细说明书，比让它多试几次更管用

论文还对比了两种提升效果的策略：一是让AI反复检查、修改自己的设计，给两到三轮修改机会；二是在最初的提示词里就把详细的功能需求写明白，而不是只丢一个物体名字。结果有些出人意料——多轮修改带来的提升很有限，整体只涨了约 2 个百分点。研究者分析，AI 单轮生成时其实已经能检查和调整自己的结构，多给几轮，更多的是反复试错，并没有触及"对功能需求理解不够深"这个根本问题。

把提示词写得更细更明确，效果立刻不一样。提示词里写清"这个物体需要有一个抽屉子系统，抽屉应该能相对于柜体滑动"这类具体功能描述后，功能部件完整度这一项直接提高 10.3 分，物理可操作性提升 12 个百分点，统计上非常显著。这个对比说明了一件事：与其指望AI靠自己反复摸索去补理解上的缺口，不如一开始就把需求讲清楚，让它把精力花在"怎么实现"上，而不是浪费在"猜你到底想要什么"上。

好比给施工队下订单。你只说"给我盖个房子"，施工队大概率会漏掉你心里默认却没开口的细节，比如卫生间得装浴霸、客厅层高不能低于 2 米 8。图纸越模糊，施工队越容易靠经验和猜测填空，出错的概率也越高。一开始就把每项具体要求列清楚，出错的空间自然就小了。而让施工队"多返工几次"，解决的只是执行层面的小失误，解决不了"最初就没理解清楚需求"这个根本问题。

开源模型到底卡在哪儿：不是不懂几何，是不会按规矩写代码

论文最后专门分析了开源模型在实际操作中具体怎么失败，这部分读起来挺有意思，暴露的问题比想象中更底层。研究者发现，闭源模型调用"自己创造零件"这个工具时成功率高达 95.7%，开源模型只有 51.7%，差距相当大。但深挖失败原因会发现，大部分失败并不是这些开源模型几何想象力不够、造不出正确形状，而是它们不遵守底层 CAD 建模工具约定俗成的"书写规矩"。

比如描述多边形顶点，业内约定俗成按逆时针方向列出，不少开源模型却写反方向，整个几何体直接无法正确生成。还有模型在描述零件之间的层级结构时，本该引用一个已命名节点的地方，直接嵌套了一整段重复的几何描述，或者用了压根不存在的节点编号。

另一个暴露出来的问题是"忘事"——开源模型在长时间、多轮次的组装过程中很容易丢失上下文。平均每 100 次工具调用里，就有 7.2 次在引用一个压根还没被放置过的零件，仿佛完全忘了自己之前做过什么。闭源模型这项出错率只有 0.3 次，差了二十多倍。开源模型还经常重复劳动，一个零件明明已经放好了，它却又重新放一遍，而不是移动已有的那个。

这现象其实很好理解。让一个人同时记住几十个零件各自摆在哪个位置、哪两个零件之间已经连好关节、哪些零件还没处理，对工作记忆是相当大的考验。能力强的模型相当于脑子里能同时装下更多这种"场景状态"；能力弱的装着装着就乱了，前面放过的东西记不清，就容易出现重复放置或者引用不存在零件这类低级错误。

写在后面

读完这篇论文，最让我意外的不是AI造的东西好不好看，而是它暴露出的那个具体失败模式：AI很擅长画出物体的外壳，却经常漏掉藏在内部、不直接可见的功能部件。这个细节值得单独拎出来说。马桶盖的铰链做得对，是因为一眼就能从外面看到，训练数据里的图片对它有足够多的视觉信号；但水箱里那套冲水阀门，大部分图片根本拍不到内部结构，AI对这部分的"理解"几乎是空白。这说明AI现在对物体的认知，很大程度上还建立在"长什么样"这种视觉表层信息上，而不是"为什么这么设计、内部怎么运转"这种功能性的深层理解。

这让我联想到小时候拆玩具的经历。光看着玩具车的外观，永远想不明白它为什么能跑；只有真正把外壳拆开，看到里面的齿轮和电机怎么咬合传动，才算真正理解了这个东西。AI现在大概就处在"只看过外壳照片，从没真正拆开过"的阶段，它需要的不是更多图片，而是更多类似这篇论文里搭建的那种交互式组装环境，逼着它去真正"拆"一遍、"装"一遍。

论文结尾抛出的疑问值得接着想：假如将来真有AI把这套评测里的各项指标都刷到接近满分，它产出的东西就能直接送进3D打印机、送上工厂流水线吗？物理仿真终归是简化过的模型，材料疲劳、公差配合这些现实约束都被它略过了。从「虚拟世界里转得起来」到「现实世界里用十年不坏」，这段距离恐怕比从「看着好看」到「真能转」还要远。

Q&A

Q1：LMBuild是什么？

A：这是伊利诺伊大学香槟分校研究团队提出的一套评测框架，用来检验大语言模型生成的3D结构是否真能造出来、并且正常使用，而不只是外观漂亮。它靠交互式组装环境、2549个真实物体数据集和四层评分体系，系统考察AI在结构稳定性、功能部件完整度、设计质量和物理可实现性上的表现。

Q2：AI生成的3D结构为什么看着不错，实测却很差？

A：原因在于AI擅长学物体的外观和轮廓，对内部功能部件、关节怎么运动理解得不够深。测试里，最顶尖的闭源模型在结构稳定性和设计质量上接近满分，功能部件完整度和物理可操作性却普遍得分很低。这说明AI容易漏掉不直接可见的功能性零件，比如马桶水箱里的冲水阀门。

Q3：提示词写得更详细，真能改善生成效果吗？

A：能，而且比让AI多轮修改自己的设计更管用。研究发现，把功能需求写具体写详细之后，功能部件完整度涨了10.3分，物理可操作性涨了12分；而单纯给AI两三轮修改机会，只带来约2个百分点的提升。需求讲清楚，比让AI自己摸索更有效。