这项由谷歌DeepMind、谷歌研究院与南加州大学联合开展的研究揭晓于2026年5月31日，，，，，，论文编号为arXiv:2606.01057v1，，，，，，有兴趣深入相识的读者可以通过该编号在arXiv平台盘问完整论文。。。。。。 每当你玩一款细腻的电子游戏，，，，，，或者看到影戏稚袂些栩栩如生的特效场景，，，，，，背后都有大宗三维模子在支持。。。。。。这些模子并不是凭空泛起的——它们需要专业设计师破费数小时、数天甚至更长时间，，，，，，用专门的软件一点一点"捏"出来。。。。。。这个历程不但费时艰辛，，，，，，还要求设计师同时醒目艺术审美和手艺编程，，，，，，门槛极高。。。。。。 然而，，，，，，随着人工智能手艺的飞速生长，，，，，，一种全新的可能性泛起了：让AI直接写代码来天生三维模子。。。。。。这种方法被称为"程序化三维建模"（Procedural 3D Modeling），，，，，，它的焦点思绪是用一段可执行的程序代码来形貌一个三维物体的结构方法，，，，，，而不是手动拖动鼠标和调解参数。。。。。。这样天生的模子不但可以准确修改，，，，，，还能被种种专业软件直接使用，，，，，，甚至可以随机天生无数个气概相近但细节差别的变体，，，，，，这是古板AI图像天外行艺完全做不到的事情。。。。。。 研究团队注重到，，，，，，业界已经有许多人在探索让AI来驱动三维建模软件，，，，，，好比著名AI公司Anthropic宣布了让旗下模子Claude直接操控Blender（一款盛行的三维建模软件）的妄想，，，，，，种种基于模子上下文协议的工具也如雨后春笋般涌现。。。。。。但问题在于，，，，，，没有人知道这些AI究竟做得好欠好，，，，，，由于缺乏一个公认的、严酷的评测标准。。。。。。这就似乎举行了一场烹饪大赛，，，，，，但没有裁判、没有评分标准，，，，，，谁也说不清哪道菜更好。。。。。。 正是为了填补这个空缺，，，，，，研究团队推出了3DCodeBench——一个专门用来评测AI程序化三维天生能力的基准测试平台。。。。。。与此同时，，，，，，他们还建设了3DCodeArena，，，，，，一个让真适用户通过投票来较量差别AI天生效果的果真平台。。。。。。这两个工具加在一起，，，，，，组成了现在该领域最周全的评测系统。。。。。。 大大都人熟悉的AI图像天生，，，，，，好比用文字形貌就能获得一张图片，，，，，，天生的是一个"照片"，，，，，，是像素的荟萃。。。。。。这种图片悦目是悦目，，，，，，但它不是真正的三维物体，，，，，，无法放进游戏引擎里使用，，，，，，也无法从恣意角度审查，，，，，，更无法准确修改某一个零件的尺寸。。。。。。 程序化三维建模则完全差别。。。。。。研究团队使用的平台是Blender 5.0，，，，，，这是一款专业的开源三维软件。。。。。。在Blender中，，，，，，你可以用Python代码准确形貌一个物体的每一根骨骼、每一块肌肉、每一片叶子是怎样排列的。。。。。。当AI写出这样一段代码，，，，，，Blender就能"翻译"这段代码，，，，，，天生一个真实的三维网格模子，，，，，，可以从任何角度旋转审查，，，，，，可以导入到游戏中，，，，，，可以3D打印。。。。。，，，，，也可以随时通过修改代码来调解细节。。。。。。 用一个生涯化的比喻来明确：通俗AI图像天生就像给你一张屋子的照片，，，，，，而程序化三维建模则像给你一份修建图纸加上施工说明——你不但能看到屋子长什么样，，，，，，还能凭证图纸真正把它建出来，，，，，，甚至随时修改"把二楼改成三楼"。。。。。。 这种能力在游戏开发、工业设计、机械人训练仿真等领域有着重大价值。。。。。。但要实现它，，，，，，AI需要同时掌握三件事：明确用户的意图（好比"帮我建一只螃蟹"），，，，，，掌握Blender这款软件的详细API（接口下令），，，，，，以及具备足够的三维空间几何推理能力。。。。。。这三件事叠加在一起，，，，，，对AI来说是个不小的挑战。。。。。。 这些数据泉源于一个名为Infinigen的开源程序化场景天生系统，，，，，，它内部包括了大宗用代码写成的自然物体"工厂"——每种物体（好比一棵树、一只螃蟹、一朵花）都有对应的程序代码，，，，，，能够凭证随机参数天生无数个变体。。。。。。研究团队的事情，，，，，，是把这些重大的"工厂代码"转换成自力可执行的、精练的Blender Python剧本，，，，，，并为每个剧本配上文字形貌和参考图片。。。。。。 然而这个转换历程绝非简朴的复制粘贴，，，，，，由于原始的Infinigen代码结构极其重大，，，，，，充满了嵌套挪用和依赖关系，，，，，，直接拿来用基础跑不起来。。。。。。研究团队设计了一套"智能流水线"来完成这项事情，，，，，，其中包括若干专门的AI工具分工协作。。。。。。 代码简化器认真把冗长、嵌套的原始代码整理成清洁自力的剧本，，，，，，同时严酷包管天生的三维形状稳固样。。。。。。模拟器则在沙盒情形中现实运行天生的代码，，，，，，检查是否有报错，，，，，，并提取网格数据。。。。。。视觉评审员是一个视觉语言模子，，，，，，它会把天生物体的多角度渲染图与原始参考图举行较量，，，，，，发明视觉上的差别并反响给前面的办法。。。。。。网格剖析器则专门检查三维模子自己的质量，，，，，，好比是否保存无效几何体、非流形面或者极点数目异常等问题。。。。。。 与此同时，，，，，，系统还维护着一个"履历库"，，，，，，一连积累已乐成处置惩罚的种别信息、常见过失的修复战略、Blender 5.0的API变换纪录，，，，，，以及怎样把各个自力零件拼装成完整物体的模板。。。。。。这个履历库随着处置惩罚的物体越来越多，，，，，，逐渐变得越来越智慧。。。。。。 纵然有了这套自动化流水线，，，，，，研究团队也并不完全信任机械的判断。。。。。。每一个最终进入数据集的样本，，，，，，都必需经由人工审核：检查代码能否正常执行，，，，，，文字形貌是否准确，，，，，，渲染图是否与参考图吻合。。。。。。只有通过这道关卡的数据才华进入最终的数据集。。。。。。 最终，，，，，，这套系统产出了涵盖212个物体类别的评测集，，，，，，以及完整的约26000个"文字提醒/参考图——代码——三维模子"三元组数据集，，，，，，供未来的研究者举行模子训练使用。。。。。。这212个种别涵盖规模极广，，，，，，从自然界的动植物（鸟类、螃蟹、蜻蜓、仙人掌、龙舌兰）抵家具（床、书柜、厨房橱柜），，，，，，再到修建构件，，，，，，险些笼罩了程序化建模的主要应用场景。。。。。。 数据集中每段剧本的平均代码行数是531行，，，，，，中位数是387行。。。。。。关于那些重大的生物（好比鸟类、螃蟹）或者细腻的室内物件（好比树木、橱柜），，，，，，代码长度甚至凌驾1000行。。。。。。每段代码的文件巨细平均为20.5KB，，，，，，中位数14.9KB，，，，，，漫衍泛起显着的"长尾"特征——大大都物体代码不算太长，，，，，，但少数重大物体的代码体量惊人。。。。。。 这与业界之前那些"简朴版本"的三维代码基准测试形成了鲜明比照。。。。。。有些基准测试只是让AI用几何基本体（球、方块、圆柱）拼出简朴形状，，，，，，有些只考察在体素网格（就像乐高积木那种方格结构）中搭建模子，，，，，，难度与真实专业需求相去甚远。。。。。。3DCodeBench要求AI具备真正的几何推理能力，，，，，，而不但仅是记着几条API挪用下令。。。。。。 客观评分部分由一系列自动化指标组成。。。。。。第一道门槛是代码能否正常执行——给AI一段文字形貌，，，，，，让它写Blender代码，，，，，，若是代码在Blender里跑起来能天生一个有用的三维网格，，，，，，就算"通过执行测试"，，，，，，不然直接判为失败。。。。。。这一指标被称为"可执行率"（Executability）。。。。。。 通过执行测试的模子还要继续接受外观相似度评测。。。。。。详细做法是把AI天生的模子从四个牢靠角度（45度、135度、225度、315度）拍成渲染图，，，，，，然后用两种专业的图像相似度算法——SigLIP-2和DINOv3——与参考图举行较量。。。。。。SigLIP-2更善于捕获语义层面的相似性（"这看起来像一条鱼"），，，，，，DINOv3则更关注形状和结构层面的相似性（"轮廓和结构像不像"）。。。。。。 除了外观，，，，，，研究团队还直接较量三维几何结构。。。。。。他们把AI天生的三维模子和标准参考模子各自采样8192个外貌点，，，，，，然后用"倒角距离"（Chamfer Distance）来权衡两个点云之间的差别——这个数值越小。。。。。，，，，，说明模子形状越靠近真实参考。。。。。。另一套工具叫Uni3D，，，，，，它能把三维模子、文字和图片都映射到统一个"语义空间"里举行跨模态较量，，，，，，既能评估AI天生模子与参考模子在三维形状上的相似水平，，，，，，也能评估AI天生模子与文字形貌的匹配水平。。。。。。 所有指标都以两种方法汇报：一种是"条件均值"，，，，，，只统计乐成天生模子的那些案例的平均分，，，，，，权衡"乐成的案例做得有多好"；；；；；另一种是"处分均值"，，，，，，把失败案例计为零分后再取平均，，，，，，权衡"整体体现究竟怎样"。。。。。。这两种视角各有着重，，，，，，放在一起才华给出周全的评价。。。。。。 主观评分部分则是3DCodeArena平台。。。。。。研究团队把差别AI天生的模子两两配对，，，，，，放到一个果真网站上展示，，，，，，让真适用户在不知道是哪个AI天生的情形下，，，，，，投票选择哪个模子更悦目、更像真实物体。。。。。。这种方法模拟了著名的LMArena（语言模子人类偏好评测）的机制，，，，，，用Bradley-Terry算法把投票效果转换成Elo分数（一种常见于国际象棋排名的评分要领），，，，，，最终形成一个可靠的排行榜。。。。。。阻止论文写作时，，，，，，平台已网络了约3100票。。。。。。 研究团队对12个目今最先进的视觉语言模子举行了系统评测，，，，，，来自谷歌的Gemini系列（包括Gemini 3 Flash、Gemini 3.1 Flash Lite、Gemini 3.1 Pro、Gemini 3.5 Flash、Gemma 4 26B、Gemma 4 31B）、Anthropic的Claude系列（Claude Haiku 4.5、Claude Sonnet 4.6、Claude Opus 4.7），，，，，，以及OpenAI的GPT系列（GPT-5.4 Mini、GPT-5.4、GPT-5.5）。。。。。。值得一提的是，，，，，，有两个模子——Gemini 2.5 Pro和GPT-5.4 Nano——由于在单次对话中代码执行乐成率低于10%而被扫除在主要评测之外。。。。。。 从最主要的可执行率来看，，，，，，差别相当显着。。。。。。Claude Opus 4.7以91%的可执行率居首，，，，，，GPT-5.5以90.6%紧随厥后，，，，，，GPT-5.4以86.6%排名第三。。。。。。相比之下，，，，，，Gemini 3.5 Flash只有46.4%，，，，，，Gemini 3 Flash为48.1%，，，，，，Gemma 4 26B为51.7%。。。。。。这意味着Gemini的轻量级模子天生的代码有凌驾一半都无法在Blender里正常运行。。。。。。 从人类偏好Elo排名来看，，，，，，GPT-5.5以1163分高居榜首，，，，，，Gemini 3.5 Flash以1119分位居第二，，，，，，Gemini 3.1 Pro以1147分第三，，，，，，GPT-5.4以1074分第四。。。。。。Claude Opus 4.7获得1006分，，，，，，Claude Sonnet 4.6获得1015分，，，，，，两者效果相近但显着落伍于顶尖选手。。。。。。体现最差的是Claude Haiku 4.5，，，，，，仅得799分，，，，，，以及Gemini 3.1 Flash Lite的877分。。。。。。 研究团队还特殊盘算了每个模子的性价比。。。。。。他们发明，，，，，，Gemini 3.5 Flash每次盘问只需约0.04美元，，，，，，而GPT-5.5需要约0.32美元——前者的本钱只有后者的八分之一，，，，，，但Elo分数只低了约44分（1119对1163）。。。。。。若是在Pareto前沿（最高性价比曲线）上追踪，，，，，，四个最具性价比的节点有四个都是Gemini模子。。。。。。 研究团队发明，，，，，，绝大大都执行失败（约85%-90%）都源于统一类缘故原由：AI写的代码使用了Blender 4.x版本的旧API，，，，，，而测试情形是Blender 5.0，，，，，，两者之间保存接口不兼容。。。。。。举几个详细的例子：Blender 5.0里已经移除了BSDF材质节点中的"Specular"（高光）参数，，，，，，有些模子还在用旧写法导致报错；；；；；`Mesh.use_auto_smooth`这个属性在5.0里也不保存了；；；；；`create_cone`函数的参数名也爆发了转变。。。。。。这些都是知识阻止日期导致的问题——AI在训练时可能接触的是更老版本的Blender文档，，，，，，以是不相识最新的API变换。。。。。。 换句话说，，，，，，大大都失败不是由于AI不会建模，，，，，，而是由于AI"用了过时的施工规范"。。。。。。这一发明既说明问题所在，，，，，，也指出了刷新偏向：只要给AI提供最新的API文档或者让它从过失信息中学习修正，，，，，，执行乐成率就能大幅提升。。。。。。 然而，，，，，，即便代码能够正常运行，，，，，，天生的三维模子也并不完善。。。。。。从质性较量来看，，，，，，AI天生的模子普遍保存两类视觉问题：一是几何部件之间"悬浮"或"断开"，，，，，，就像把一只螃蟹的八条腿划分放在空中，，，，，，相互没有毗连；；；；；二是过于简化，，，，，，用几个浮动的基本几何体草草取代重大的有机形态。。。。。。Gemini 3.1 Pro倾向于爆发第一类问题（部件断开），，，，，，Claude Opus 4.7则更容易泛起第二类问题（太过简化）。。。。。。 这批注现有AI虽然能写出"语法准确"的代码，，，，，，但在"语义准确"层面——真正明确一个物体是怎样在三维空间里有机地组成整体——尚有相当大的提升空间。。。。。。 关于"思索时间"（Thinking Budget），，，，，，差别级别的模子体现出截然差别的纪律。。。。。。关于轻量级模子，，，，，，增添思索时间效果显著：Gemini 3.1 Flash Lite从"最小"思索量到"最高"思索量，，，，，，可执行率提升了约19个百分点。。。。。。原理不难明确：特另外思索让模子有时机在输出代码之前，，，，，，先在脑子里"排查"可能的API兼容问题，，，，，，自我纠错。。。。。。然而关于顶尖模子来说，，，，，，这种提升险些可以忽略不计——Claude Opus 4.7在最低思索量时就已经抵达了极限水平，，，，，，继续增添思索时间险些没有资助。。。。。。这是由于强模子已经"记着"了准确的API，，，，，，只需略微确认一下，，，，，，不需要大宗推理。。。。。。这个发明提醒我们：把高思索量分派给弱模子比给强模子更划算，，，，，，在现实应用中，，，，，，凭证模子能力级别来设置思索资源，，，，，，可以在节约大宗本钱的同时维持靠近最优的效果。。。。。。 关于"输入图片数目"，，，，，，研究团队测试了给AI输入1到4张参考图片的效果差别。。。。。。结论有些出人意料：增添参考图片的数目，，，，，，对天生质量的提升险些可以忽略。。。。。。SigLIP-2相似度在1到4张图之间的转变幅度不凌驾0.012，，，，，，统计上没有显著意义。。。。。。Uni3D三维相似度略有提升，，，，，，但依然在误差规模内。。。。。。这意味着，，，，，，哪怕只给一张参考图，，，，，，AI提取到的有用信息已经靠近饱和，，，，，，多余的图片并没有带来特另外几何明确增量。。。。。。 多轮过失反响实验的设计很直接：关于执行失败的案例，，，，，，研究团队把Blender的过失日志（截取了前70%和后30%，，，，，，总计不凌驾3000字符）连同之前的失败代码一起，，，，，，发给统一个AI模子，，，，，，让它实验修正，，，，，，最多允许三次时机。。。。。。 效果相适时人振奋。。。。。。所有11个模子、22个评测单位（文本到3D加图片到3D两个轨道）的平均可执行率，，，，，，从单次对话的69.2%跃升至97.2%，，，，，，提升了整整27个百分点。。。。。。其中Claude Opus 4.7、GPT-5.4和GPT-5.5在两个轨道上都抵达了100%的可执行率。。。。。。不但云云，，，，，，天生质量也同步提升：SigLIP-2处分均值平均提升0.128，，，，，，Chamfer距离平均下降0.079，，，，，，Uni3D三维相似度平均提升0.069。。。。。。 研究团队特殊强调，，，，，，这些质量提升数字是在牢靠的212个测试案例上盘算的（失败案例孝顺零分），，，，，，因此完全扫除了"由于乐成案例变多导致分母变大"的滋扰，，，，，，真实反应了整体水平的提升。。。。。。 背后的缘故原由着实很简朴：大大都失败都属于"局部可修复"的API过失——只要AI看到了详细的报错信息，，，，，，就知道是哪行代码出了问题，，，，，，改一改就好。。。。。。这和人类程序员调试代码的履历高度一致：许多时间，，，，，，看到报错比盲猜要有用得多。。。。。。 研究团队还实验了一种更进一步的计划：给每个AI配上它对应的"原生智能编程助手"工具，，，，，，让AI在一准时间预算内完全自主地编写代码、运行测试、读取报错、修改代码、再次运行……循环往复直到乐成或超时。。。。。。 详细来说，，，，，，Gemini系列用Gemini CLI，，，，，，Claude系列用Claude Code，，，，，，GPT系列用Codex CLI，，，，，，每个实例的时间预算为600到900秒。。。。。。AI会在沙盒目录里自主操作，，，，，，研究团队只提供使命形貌，，，，，，其余完全交给AI自己决议。。。。。。 效果是：这些智能助手工具确实进一步提升了可执行率，，，，，，平均从71.6%提升至99.5%，，，，，，三个模子抵达了100%的执行率上限。。。。。。然而，，，，，，关于那些单次对话就能乐成执行的案例，，，，，，加了智能助手之后天生模子的质量险些没有转变——SigLIP-2只变换了-0.010，，，，，，Chamfer距离只变换了+0.001，，，，，，Uni3D三维相似度只变换了-0.003，，，，，，这些差别险些都在统计误差规模之内。。。。。。 这个发明展现了一个值得深思的征象：自动化的"修修补补"能修复API报错，，，，，，但无法让AI真正明确三维几何。。。。。。一旦代码乐成编译，，，，，，模子的三维形状质量就基本定型了——智能助手并没有能力在后期"雕塑"出更细腻的几何细节。。。。。。这就似乎一个工人能熟练地修睦施工历程中的管道漏水，，，，，，却没有设计师的能力重新妄想整栋修建的结构。。。。。。 研究团队还测试了一种更具创立性的刷新路径：让AI审查自己天生模子的渲染图，，，，，，与原始形貌或参考图片较量，，，，，，然后决议是否需要重写代码。。。。。。 效果泛起出一个有趣的"使命差池称性"。。。。。。在文字到3D的轨道上，，，，，，视觉自我审查普遍有用，，，，，，四个测试模子的SigLIP-2相似度平均提升了0.003到0.009，，，，，，大大都模子的"刷新次数"多于"变差次数"，，，，，，比例从1.24到2.63不等，，，，，，其中Gemma 4 26B体现最好，，，，，，50次刷新对应19次退步。。。。。。 然而在图片到3D的轨道上，，，，，，同样的模子却普遍变差了，，，，，，SigLIP-2平均下降0.006到0.009，，，，，，刷新/退步比例下降到0.58到0.78。。。。。。研究团队剖析，，，，，，这种"统一批模子、统一个要领、但在差别使命上效果相反"的征象，，，，，，基础缘故原由在于指标的天花板效应：图片到3D使命的SigLIP-2基准值已经在0.78到0.81之间，，，，，，很是靠近参考渲染图能抵达的上限，，，，，，此时任何稍微的几何改动都可能在渲染外观上引入噪声，，，，，，被评分系统判断为变差。。。。。。；；；；痪浠八担，，，，，不是AI改坏了，，，，，，而是评分尺子在这个区间不敷细腻。。。。。。 值得注重的是，，，，，，模子能力越强，，，，，，作为"自我审查者"越守旧。。。。。。Gemma 4 31B（较强模子）只对41%的案例说"需要修改"，，，，，，而较弱的模子则激进得多，，，，，，经常不须要地大幅重写代码，，，，，，效果往往弄巧成拙。。。。。。 3DCodeArena的人工投票虽然可靠，，，，，，但每一票都需要真适用户花时间视察和判断，，，，，，规模；；；；矍甙骸。。。。。研究团队因此研究了一个要害问题：能不可用AI来取代人工投票？？？？？ 他们用四个谷歌模子（Gemini 3.1 Pro、Gemini 3 Flash、Gemini 3.1 Flash Lite、Gemma 4 31B）对2508个真实投票案例举行了重新判断，，，，，，每个模子划分以"看渲染图"和"看代码"两种模式事情，，，，，，评估效果与人工投票举行比对。。。。。。 看渲染图模式的体现还算令人知足：四个模子的总体准确率在62.5%到64.7%之间，，，，，，若是只看双方都做出明确选择（而非选择"平手"）的案例，，，，，，准确率进一步提升至72.6%到74.4%。。。。。。其中Gemini 3.1 Pro在剔除"弃权"案例后准确率最高（77.1%），，，，，，Cohen's kappa系数（权衡逾越随机概率的一致性）抵达0.542，，，，，，属于"中等偏高"的一致性水平。。。。。。 看代码模式的体现则显着逊色：准确率下降到51.7%到56.9%，，，，，，kappa系数只有0.249到0.348，，，，，，属于"一样平常"到"中等"的一致性水平。。。。。。这说明仅凭读代码无法可靠地展望天生三维模子的质量，，，，，，渲染图依然是不可替换的评估前言。。。。。。 研究团队还发明，，，，，，SigLIP-2视图相似度与人类偏好Elo的皮尔逊相关系数高达0.964，，，，，，DINOv3的Spearman相关系数更是抵达了0.972，，，，，，两个指标都与人工偏好高度吻合。。。。。。这意味着，，，，，，在大大都情形下，，，，，，用SigLIP-2和DINOv3作为自动化评估指标，，，，，，能够相当准确地代表人类的审美判断，，，，，，无需每次都举行腾贵的人工投票。。。。。。 归根结底，，，，，，3DCodeBench做的这件事，，，，，，是给"AI会不会写三维建模代码"这个问题提供了一个真正科学的谜底：会，，，，，，但还不敷好。。。。。。目今最强的AI已经能让90%的代码在Blender里正常运行，，，，，，但天生的模子往往在几何连贯性上保存显着缺陷，，，，，，部件悬浮、比例失调、细节简化的问题普遍保存。。。。。。更深层的问题在于，，，，，，现有AI缺乏对三维空间物理纪律的真实明确，，，，，，写出的代码"语法准确但语义模糊"。。。。。。 这项研究还展现了一条清晰的刷新路径：让AI在执行情形中获得真实反响、举行迭代修正，，，，，，是现在提升性能最有用的手段，，，，，，远比增添思索时间或增添输入图片数目更有用。。。。。。而要根天性地提升AI的三维推理能力，，，，，，则需要大宗高质量的程序化三维代码训练数据——这正是3DCodeBench的另一个主要价值所在：它所提供的26000个数据样本，，，，，，为未来训练更懂三维空间的AI提供了一块坚实的基石。。。。。。 关于体贴AI生长走向的读者，，，，，，一个有趣的思索题是：当AI能够流通地将文字或图片转化为准确、可编辑的三维模子时，，，，，，谁将是最大的受益者？？？？？是游戏开发者、修建师、机械人工程师，，，，，，照旧我们每一个通俗人？？？？？这个问题的谜底，，，，，，或许比手艺自己更值得期待。。。。。。 A：3DCodeBench评测的是AI能否用Python代码在Blender软件里天生真正的三维模子，，，，，，而不是天生一张悦目的图片。。。。。。通俗AI图像天生爆发的是像素图片，，，，，，无法从恣意角度旋转、无法导入游戏或3D打印。。。。。；；；；而程序化三维建模天生的是可执行的代码，，，，，，编译后获得真实的三维网格，，，，，，可以准确修改、从恣意角度审查，，，，，，并直接用于游戏开发、工业设计等专业场景。。。。。。 A：这两个模子在单次对话中代码执行乐成率太低，，，，，，Gemini 2.5 Pro只有7.1%，，，，，，GPT-5.4 Nano只有6.1%。。。。。。研究团队剖析发明，，，，，，它们的约85%失败案例都是由于使用了已被Blender 5.0放弃的旧版API下令，，，，，，属于训练数据知识阻止日期导致的问题，，，，，，而非建模能力自己的缺陷。。。。。。由于乐成案例太少，，，，，，统计数字不可靠，，，，，，以是被扫除在主要评测之外。。。。。。 A：由于大大都失败都属于"API不兼容"这种局部可修复的过失，，，，，，好比某个函数参数名在Blender 5.0里改了，，，，，，或者某个属性被移除了。。。。。。当AI看到详细的报错信息（就像程序员看调试日志一样），，，，，，就能精准定位问题所在，，，，，，把那行代码修改掉。。。。。。这和盲目重新天生代码完全差别，，，，，，有了过失提醒，，，，，，修复乐成率极高。。。。。。研究数据显示，，，，，，11个模子的平均可执行率从69.2%跃升至97.2%，，，，，，说明这种"看过失日志改代码"的要领很是有用。。。。。。