阿里Qwen团队在10月14日开源了一个叫BlenderWorld的项目，用的是MIT许可，代码和数据集同步放到了Hugging Face、ModelScope和GitHub。它评的不是“生成一张好看的图”，而是视觉智能体能不能在Blender里把一件真实的3D创作任务做完。这套基准直到这两天被中文技术媒体翻出来，才在圈内传开。
区别就在交付物上。绝大多数图像生成评测，看到成品图就算完成；BlenderWorld要求提交一个可以双击打开、能被设计师接着改的工程文件，再按需输出渲染图、视频或模型导出文件。也就是说，材质、灯光、几何结构、相机这些要素都得真的搭出来，不能靠一张渲染图蒙过去。
题库的规模摆在这里：223个任务，2651条评分标准，题库分9个大类、22个子类，从产品、建筑一直铺到自然环境、角色、动画与科学可视化。输入形态也分了档，78个任务只给文字描述，130个给图片加文字，15个给视频加文字，还有59个任务把尺寸、材质或相机参数写成了规格文件。这种分档本身就承认了一件事——真实工作里，需求从来不是只靠一句话说清楚的。
评测方式比题库更值得看。系统会挑8个自适应视角把提交的工程渲染一遍，先把“好看”这个模糊概念拆成可检查的项：场景结构对不对，2651条任务专属的二元判断能不能过，再从8项整体视觉质量上打分。总分按两半来算，规则符合度一半，视觉质量一半。把权重对半分，等于明确表态：只满足硬性规格、画面一塌糊涂，或者画面漂亮、结构经不起推敲，都拿不到高分。
工程配套做得比较完整。仓库里安装、生成、打包、评测四段流程都给了，开发者可以把自己那套生成框架接进来直接跑。运行环境写的是Blender4.2.10，系统限Linux，Python要3.10以上；评测环节还得另外配一个具备视觉能力的模型服务，用来判那些视觉质量的项。门槛不算低，但比自己去搭一套渲染加评判的流水线要省事得多。
3D建模这条线一直是生成式AI里最难交作业的方向。图像和视频的评测可以先看像素，3D资产的价值却在结构上——拓扑干不干净、UV有没有拉伸、材质节点是不是可复用、关键帧曲线动不动得起来。这些东西没法用相似度衡量，只能逐条核对。2651条标准某种意义上就是在补这个缺口，把“能不能用”翻译成机器可判的条目。
它也有明显的边界。二元评分标准是人工写死的，写得好不好直接决定基准的可信度；223个任务对一个快速迭代的领域来说数量偏少，容易被针对性优化；视觉质量那8项仍然依赖模型打分，主观性没有完全消掉。所以这份基准更合适的定位是行业公共尺子，而不是排行榜。MIT许可和完整流程降低了参与成本，接下来要看的是有没有足够多的框架愿意把成绩交上来。
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
