3DVerifierBench：让模型用可靠的验证反馈反思 3D 内容

近年来，多模态大语言模型（MLLM）和 3D 生成技术进展很快，模型既能理解三维内容，也能合成三维内容。但画面逼真并不等于任务正确。一个 3D 资产看起来很漂亮，却可能数量不对、属性写错，或者把某项修改加到了错误的对象上。这篇论文认为，要做出可靠的 3D 系统，光靠更强的生成与推理还不够，还需要"验证反馈"：系统要能指出哪些要求没有满足，并解释为什么违反，这样才能反思并修正自己的输出。这种反馈必须整合多视角观察，还要能区分真正的不一致与随投影角度而变的外观差异。

同一个物体换个角度看，轮廓和遮挡都会变化，但这并不是错误。围绕这个思路，论文给出三项贡献：一是 3DVerifierBench 基准，二是对细粒度事实类别的验证分析和可扩展的数据构造流程，三是对验证如何反过来支持 3D 生成的考察。在技术方法上，论文的核心是一条可扩展的数据构造流水线，由三个环节组成。第一步是多视角事实抽取：从同一个 3D 内容的多个视角中提取可以核对的事实，避免只凭单张图片下结论。第二步是受控 3D 编辑：对资产做有针对性的改动，制造出只违反某一条要求的候选，让错误的来源清晰可控。

第三步是原生标注，也就是利用资产本身携带的信息作为标注依据。三个环节合起来，产出了 14,126 条训练样本。每条样本都带有矛盾解释，并且通过反事实相互链接，也就是在同一规格下成对出现的"满足"与"不满足"例子。在分析层面，作者把验证能力拆到细粒度的事实类别上，发现模型的错误集中暴露在"数值"和"目标绑定"上，即数量、大小一类的取值是否正确，以及某条要求究竟作用于哪个对象。基准本身也不只看判断对错，还评估拒绝时给出的解释，以及规格或候选发生受控变化后，模型的反应是否随之改变。

实验方面，3DVerifierBench 涵盖 10 个任务，评估三类能力：通过或拒绝的决定、拒绝时的解释质量，以及对规格和候选受控变化的响应。人类研究显示，表现最强的被测模型 GPT-6 Astra 与人类之间仍有 21.6 个百分点的差距。引入解释感知的分析之后，模型在拒绝可靠性上的弱点被进一步暴露出来：只看最终判断，可能会高估模型的能力，因为模型也许给出了正确的结论，却讲不出真正的原因。在验证如何辅助生成的研究中，作者先在人工标注的十六候选池里做候选选择。使用 oracle 选择时，完整事实成功率从 26.7% 提升到 90.0%。

随后在另一项八输入研究中，人工引导的递归修正让每个输入都满足了全部七项要求，而并行的 Oracle@8 只有三个输入做到。需要注意的是，这些结果来自 oracle 或人工引导的设定，反映的是验证反馈能带来的潜力上限，并不等于系统已经能自动达到这样的效果。从行业意义看，这项工作把 3D 生成的评价重心从"好不好看"推向了"对不对"。对工业落地来说，游戏、设计、数字孪生等场景往往有明确的规格要求，只靠视觉保真度远远不够，能说清楚哪里不符合要求的验证器，比单纯再生成一批候选更有价值。对开源社区而言，基准、细粒度错误分析和 14,126 条带反事实链接的训练数据，提供了一套可以复用的起点，研究者可以据此训练和比较专门的 3D 验证模型。对后续研究而言，论文明确指出了两个薄弱环节，即数值与目标绑定的错误，以及拒绝解释的不可靠，这为改进多视角整合和投影感知推理指明了方向。更长远地看，候选选择和递归修正的结果说明，一旦验证反馈足够可靠，生成系统就可以像人一样反复检查、反思并改进自己的输出。这篇论文为这条路线打下了基准、分析和数据三方面的基础。