对应 2026 年 10 月 14 日论文 v1 的 223 道任务及官方实验。主表数值已于 2026 年 10 月 25 日与官网榜单核对。
Agent 要交付什么
Agent 需要在九个创作领域交付可编辑的 Blender 工程及指定媒体产物。223 道任务包括 78 道文本、130 道图片和 15 道视频任务；其中 59 道另附规格文件。全套任务共有 2,651 条二元评分条件。
BlenderWorld paper v1 · Methods, Table 2 and Appendix D · BlenderWorld · Official benchmark and leaderboard
分数怎样计算
Overall 将加权需求满足程度与视觉质量各按一半权重合成，再对全部 223 道任务取平均，范围为 0–100 分。评估结合场景检查、八个自适应渲染视角和八项质量维度。评估失败记零分。Full pass 是满足全部评分条件的任务比例，与 Overall 不是同一指标。
BlenderWorld paper v1 · Methods, Table 2 and Appendix D · BlenderWorld · Pinned evaluation protocol and runtime
官方完成质量结果
官方在同一任务集上报告了以下 13 个 Agent 的结果。阅读平均分时也应查看 Full pass：平均分较高，并不代表每项交付要求都已满足。
| 模型 | 总分 | 文本 | 多模态 | 需求评分 | 质量评分 | 全部条件达标率 % |
|---|---|---|---|---|---|---|
| GPT-6-Astra | 79.9 | 78.6 | 80.7 | 87.3 | 72.6 | 42.2 |
| Opus-5 | 73.0 | 74.8 | 72.1 | 80.9 | 65.1 | 25.6 |
| GPT-5.6-Sol | 67.7 | 71.7 | 65.5 | 74.7 | 60.7 | 15.7 |
| DeepSeek-V4.1-Flash | 65.7 | 66.0 | 65.5 | 72.0 | 59.4 | 11.7 |
| Qwen3.8-Max | 60.6 | 59.6 | 61.1 | 65.9 | 55.3 | 10.3 |
| GLM-5.3-Flash | 59.7 | 63.1 | 57.8 | 64.8 | 54.4 | 6.28 |
| Grok-4.6 | 57.0 | 60.0 | 55.4 | 61.4 | 52.7 | 6.73 |
| Opus-4.8 | 57.0 | 58.6 | 56.1 | 60.2 | 53.7 | 5.38 |
| Seed2.1pro-0915 | 51.3 | 54.7 | 49.5 | 54.9 | 47.7 | 3.59 |
| Qwen3.8-27B | 47.7 | 46.1 | 48.6 | 50.0 | 45.5 | 1.35 |
| Kimi-K3 | 46.5 | 41.3 | 49.4 | 47.9 | 45.2 | 1.79 |
| Gemini-3.8-Flash | 34.2 | 35.9 | 33.2 | 29.8 | 38.5 | 0.45 |
| MiniMax-M3 | 31.8 | 34.1 | 30.6 | 28.9 | 34.7 | 0.45 |
Overall、Text、MM、Rubric 和 Dimension 均为 0–100 分。Full pass 表示全部评分条件达标的任务比例。数值与精度按论文原表保留；失败评估仍计入分母。
BlenderWorld paper v1 · Methods, Table 2 and Appendix D · BlenderWorld · Official benchmark and leaderboard
运行资源统计
以下是按全部任务计算的每任务均值，包含未成功的调用。它们描述生成输出和请求的操作次数，并不代表相同计算预算或实际费用。
| 模型 | 交互轮数 | 输出 token 数（千） | 工具调用数 |
|---|---|---|---|
| GPT-6-Astra | 45.6 | 84.5 | 79.1 |
| Opus-5 | 158 | 241 | 155 |
| GPT-5.6-Sol | 44.9 | 39.9 | 44.0 |
| DeepSeek-V4.1-Flash | 171 | 209 | 168 |
| Qwen3.8-Max | 75.1 | 90.6 | 72.8 |
| GLM-5.3-Flash | 102 | 145 | 101 |
| Grok-4.6 | 93.4 | 120 | 89.8 |
| Opus-4.8 | 97.7 | 164 | 95.6 |
| Seed2.1pro-0915 | 196 | 122 | 194 |
| Qwen3.8-27B | 90.0 | 112 | 87.4 |
| Kimi-K3 | 60.5 | 54.3 | 58.3 |
| Gemini-3.8-Flash | 56.6 | 35.9 | 54.5 |
| MiniMax-M3 | 132 | 72.2 | 127 |
K 表示千个输出 token；一轮指一次模型响应。不同运行框架与模型统计方式会限制直接的效率比较。
BlenderWorld paper v1 · Methods, Table 2 and Appendix D · BlenderWorld · Official benchmark and leaderboard
比较结果的边界
每个模型按其最高可用推理设置运行，每道任务只尝试一次。GPT-6-Astra 与 GPT-5.6-Sol 使用 Codex，其余 Agent 使用 Claude Code；自动评估由 GPT-5.6-terra 完成。因此榜单比较的是完整 Agent 配置，未给出重复运行的方差估计；不能据此单独判定基础模型能力或认证生产可用性。
复现前应记录什么
应固定任务版本、Blender 4.2.10、运行框架、推理配置和裁判。参考环境采用 Codex CLI 0.147.0、Claude Code 2.1.220 与 Node.js 22.17.0；论文注明 MiniMax-M3 的一个 48 道任务批次使用 Claude Code 2.1.241。公开评估器也接受其他框架生成的 ZIP 提交，因此配置改变时应单独标记评测协议。
BlenderWorld paper v1 · Methods, Table 2 and Appendix D · BlenderWorld · Pinned evaluation protocol and runtime