Einsia AI推Frontier3DBench：Coding Agent距3D生产管线还差几步？
机器之心发布Coding Agent 要走向真实的 3D 生产管线，就必须跨越从 “单个物体” 到 “完整场景”，乃至 “可交互开放世界” 的鸿沟。过去，三维重建、生成与编辑高度依赖传统视觉与图形学中的专用算法管线。而如今，具备视觉理解与程序执行能力的 Coding Agent 正在颠覆这一过程 —— 将以往所有的三维
该基准由Einsia AI推出，论文题为Frontier3DBench: Benchmarking Coding Agents for 3D Creation across Objects, Scenes, and Interactive Open Worlds。
对Coding Agent来说，想进入真正的3D生产管线，得先跨过几道坎：从单个物体做到完整场景，再走到能交互的开放世界。
过去做三维重建、生成和编辑，靠的是视觉与图形学里的专用算法管线。现在不一样了，会看图、能写代码执行的Coding Agent正在改掉这套做法，把原先的三维视觉难题统统变成代码生成题。
但现有评测基准把“静态几何质量”和“动态世界交互”分成两摊，有个核心问题它答不上来。
「今天的 Coding Agent，究竟能否接住从物体、场景到开放世界的全栈创作需求？」
针对这个问题，Einsia AI发布了Frontier3DBench。基准横跨Blender和Unreal Engine两个工业级环境，共9大类别、145项任务（65项物体+65项场景+15项开放世界），对11种主流前沿模型与Agent框架配置做了全面评测，从外观、结构、行为三个维度描出Coding Agent在3D创作上的能力边界。
论文题目：Frontier3DBench: Benchmarking Coding Agents for 3D Creation across Objects, Scenes, and Interactive Open Worlds
项目主页：https://lab.einsia.ai/frontier3dbench
GitHub：https://github.com/Einsia/Frontier3D
Paper：https://lab.einsia.ai/frontier3dbench/Frontier3DBench.pdf
从捏物体、搭场景到造世界
Frontier3DBench 测什么？
3D创作里，捏一个模型、搭一个房间，和造一个能跑能跳的开放世界，难度差着好几个量级。每往前一步，Agent要管的就多一层：物体看零件和比例，场景看空间布局，到了世界这一层，动作、交互和不断变化的状态都得接住。
以往的评测常把这些环节拆开，有的只盯着静态资产好不好看，有的只测游戏代码跑不跑得通。只给一个笼统总分，Agent出错时到底丢的是参考图细节、房间位置排错了，还是运行时某步交互卡住，很难说清。
所以Frontier3DBench把这三层要求放进同一套评测标准里，共9大类别、145项任务：
L1 物体层（65项）：交可编辑的Blender资产，包括纯文本建模（Text2Code），以及单视图、多视图参考图重建（Img2Code）。
L2 场景层（65项）：交完整Blender场景，覆盖文本生成（Brief2Scene）、渲染图重建（Ref2Scene）、真实照片重建（Ref2Scene-RealPhoto），还有“改局部、保周围”的场景编辑（SceneEdit）。
L3 开放世界层（15项）：交Unreal Engine工程，按文本（Text2Env）或参考图（Img2Env）搭出多区域连通、能支撑连续交互活动的开放世界。
评测也顺着工程文件往里走，用三个坐标给每份3D答卷打分：
外观：看渲染结果，查视觉美感和参考图还原度；
结构：拆开原生工程，量尺寸、数零件、查穿模和连通性；
行为：跑独立测试，让角色在世界里实际穿行交互，验证动作和状态成不成立。
按30%（物体）、30%（场景）、40%（世界）的权重汇总后，研究团队对11种主流大模型与Agent框架做了全面摸底。
Sol 拿下总榜第一
但 “造世界” 换了领跑者
总榜上，GPT-6.1-sol以66.02分排第一，物体层（71.21）和场景层（70.35）优势明显。
可9个细分类别里，没有哪个模型能全部通吃：
开放世界（L3）这一项换了领跑者，GPT-6-astra 以 61.28 的均分排在第一；文本生成物体（Text2Code）的最高分则归 Claude Opus 5.5，为 84.05。
场景编辑（SceneEdit）杀出了意外角色：总榜第六的 MiniMax-M3.1-Flash 拿到 78.70 分，位列单项第二，Kimi-K3 和 GLM-5.3-Flash 在这项上的表现也都高过全场均值。
所以要挑一个做 3D 的 Agent，先得想明白用途：是捏资产、改场景，还是进虚幻引擎里造世界？
自由发挥能超 80 分，给张参考图却集体“破防”。
逐个任务看分数，所有模型在“参考图重建”上的得分都明显低于“文本生成”：文本生成物体普遍在 75.93～84.05 分之间；
而到了多视图和单视图重建，全场最高分只剩 69.61 分和 66.26 分。
Qwen3.8-Max 的反差最典型：文本生成物体有 81.98 分，逼近榜首 Sol 的 82.10，可多视图和单视图重建一下子掉到 43.97 和 37.34。Kimi-K3.1-Pro 与 DeepSeek-V4.1-Flash 同样属于“强生成、弱重建”。
做一个“看着合理”的作品已不算难，难的是跨过遮挡和透视，把“指定的那个作品”原样复刻出来。
差距落在 appearance、结构和细节上。把总分拆成视觉质量、结构一致性、任务完成度三项，短板就清楚了。
物体与场景的视觉和完成度由 Sol 领先，开放世界归 Astra；物体结构这一项，Opus 以 83.27 分略微压过 Sol。总体看，把主部件摆对位置、搭出粗略骨架，各模型都还算容易（L1 结构均分 72.77），难的是把精细外观和细节填满。
具体作品上差别很明显。
纺车重建（L1 物体）：Sol 和 Opus 还原了主要机械组件，Kimi-K3 把它简化成抽象的圆环加木杆，核心传动件丢了。
浴缸修复（L2 编辑）：Sol 和 Astra 让新浴缸严丝合缝地卡进原有支架，Luna 的浴缸外壳却和支架分了家。
Minecraft 村庄（L3 世界）：Astra 和 Sol 还原出村落轴线与连续梯田地形，Luna 把建筑密集堆在平地上，空间语境没了。
单个机关能跑到 83 分，串成完整任务却掉到 30 分。
开放世界的真正考验发生在代码运行那一刻。所有模型在 L3 世界层的平均分，都低于各自的物体和场景成绩。
对 165 个生成世界做运行时测试，拆出的数据里有一组格外扎眼：局部交互平均 83.08 分；
运动避障只有 20.82 分。
状态与工作流这一项，得分只有 30.26 分。
结论摆得很清楚：单个机关、局部结构，Agent 已经能做得有模有样，可要把这些零散部件串成一条线，就难了。写一个开关、做一个机关，对 Agent 来说并不陌生；难的是让角色不穿模地跨区域走动、触发动作，还得让改动后的状态一直影响后续操作，最终跑通一整套活动——这恰恰是眼下 Agent 最需要迈过去的一道坎。
算笔经济账
花出去的钱越多，成品就一定越好吗？把综合质量和每道题的平均 API 估算开销摆到一张图上，性价比地图就出来了。挑一个 3D 创作搭档，作品质量要看，背后的 API 账单也得算明白。
性价比前沿上站着三个守门员：GPT-6-luna 约 $0.27 一题、48.56 分，DeepSeek-v4.1-Flash 约 $0.45 一题、57.45 分，GPT-6.1-sol 约 $1.01 一题、66.02 分。从 DeepSeek 换到榜首的 Sol，成本大约涨到 2.2 倍，换来的是 8.57 分的提升。
贵并不等于强。GPT-6-astra 每道题约 $5.58，得分 63.85；Claude Opus 5.5 每道题约 $21.17，得分 62.29。两者的单题花销都远超 Sol，综合质量却反而更低。
下一步
让代码里的 3D 世界真正转起来——一台精密的机器，靠的是零件之间严丝合缝；一间住得舒服的房间，讲究物体各归其位；一个活生生的世界，则要求动作做完之后，状态和反馈还能接着往下走。如今，Coding Agent 正把这些原本属于图形学和三维视觉的复杂要求，一行一行写成能跑起来的代码。
Frontier3DBench 做的，不只是给这条技术路线画出第一张全景能力地图，它还点明了通往“真正 3D 创作者”路上绕不开的两道关：一是从“自由生成”跨到“精准还原”，看见的几何结构和细节要一分不差地建出来；二是从“局部机关”打通到“全局工作流”，让可交互世界里的连续动作和持久状态真正配合起来。
这两道关一旦翻过去，Coding Agent 交付的就不再是孤立的资产或静止的布景，而是能走进去、能互动、能演化的数字世界。从「会写代码」到「能造世界」，3D 创作的下一个时代才算真正开始。
