arXiv cs.AI· Yuzhe Chen, Muxi Diao, Lele Yang, Wenbin Xu, Xuyang Liu, Qile Su, Changyi Liu, Jiankang Chen, Kaiyu Jiang, Haoyu Zhang, Hongyi Fu, Jianxiong Wang, Tianke Zhang, Haonan Fan, Yingxin Li, Bingyi Li, Xu Wang, Xuanyu Zheng, Bin Wen, Tingting Gao, Wentao Zhang, Jiale Cao·· 1 天前AI 评分34
VibePrevisBench：评估编码智能体在 Blender 中生成 4D 场景的能力
VibePrevisBench: Evaluating Agentic Coding for 4D Scene Generation in Blender
AI 导读
研究者推出 VibePrevisBench，用于评估编码智能体在 Blender 中重建 4D 场景并渲染 proxy 视频的能力，包含 242 个任务，覆盖脚本、照片、续写和参考视频四类输入。
正文 · AI 翻译
作者：Yuzhe Chen、Muxi Diao、Lele Yang、Wenbin Xu、Xuyang Liu、Qile Su、Changyi Liu、Jiankang Chen、Kaiyu Jiang、Haoyu Zhang、Hongyi Fu、Jianxiong Wang、Tianke Zhang、Haonan Fan、Yingxin Li、Bingyi Li、Xu Wang、Xuanyu Zheng、Bin Wen、Tingting Gao、Wentao Zhang、Jiale Cao
摘要：可控的真实世界视频生成模型可以以渲染出的灰盒代理视频为条件，该视频固定了布局、运动和相机。编码智能体可以通过在 Blender 中重建 4D 场景来构建此类视频，但目前还没有基准同时检验这些视频及其背后的长时、多镜头场景。我们提出 VibePrevisBench，一个用于 4D 场景重建的基准：智能体将简要说明转化为可执行的 4D 场景，并渲染其代理视频。其 242 个任务涵盖四种输入类型，包括脚本、照片、续写和参考视频。每个交付成果沿两个评估维度评分。基于规则的场景检查会重新运行代码，并在九个维度上将导出的 4D 场景与隐藏的真实事实进行比较。基于 VLM 的画面检查则询问 VLM 评判员，通过的事实能否在代理视频中被识别出来。我们分析了 11 个前沿编码智能体的评估结果和轨迹，并总结出三个关键观察。第一，多模态理解将各智能体区分开来，尤其是在理解空间和相机运动方面。第二，所有智能体似乎都已掌握基本的相机操作和场面调度，但在有挑战性的请求上失败。第三，智能体会检查自己的渲染结果，但无法纠正其错误。因此，智能体需要对空间和相机有更好的视觉理解，对具有挑战性的请求进行显式检查，并逐项对照简要说明验证渲染结果。
| 评论： | 项目页面：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15789 [cs.CV] |
| （或 arXiv:2611.15789v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15789 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuzhe Chen [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 18:02:07 UTC（13,283 KB）
来源：arXiv cs.AI · arxiv.org