LEGO-Anything 测试显示 AI 智能体生成 3D 场景时缺乏自我纠错能力

Li 等人提出 LEGO-Anything 框架，通过编码 Agent 将单张照片转换为可执行的 Blender 程序，并构建 LEGO-Bench 基准测试其性能。在包含 208 张图像的测试集中，GPT-6 Astra 模型在室内场景的几何重建准确率最高，达到 53.4%，而室外场景仅为 39.6%。尽管所有六个 GPT 配置都能生成可用的场景，但模型在几何精度和外观相似度上表现差异巨大，且随着场景复杂度增加，准确率显著下降。

核心发现在于 Agent 的自我评估机制失效：当要求模型判断哪个版本更接近原图时，其几何判断准确率接近随机水平（chance level）。研究人员分析发现，Agent 常出现初始尝试失败、修改导致进度倒退以及不可靠的自我评估等问题，甚至 GPT-6 Astra 也会在后期破坏已生成的场景。为解决此问题，团队开发了无需额外训练的 LEGO-Plugin，该插件用具体测量值替代不可靠的自我判断，使较弱模型的准确率提升了高达 62.7%。

在下游任务验证中，生成的可执行程序场景虽能直接用于目标检测、分割和深度估计，但效果并不理想。目标检测性能约为专用模型 DINO 的一半，而在分割和深度估计任务上与 SAM 3 和 Depth Anything 3 等专用模型的差距更大。这表明当前编码 Agent 生成的场景虽具潜力，但在忠实度上仍存在巨大鸿沟，未来应依赖客观测量而非模型自身判断进行优化。