3DCodeVerse：把三維世界寫成可執行、可驗證的程式碼

过去几年，大模型写网页、写脚本的能力进步很快，但让它们稳定地写出三维内容仍然很难。原因不难理解：3D 场景不只是一段能跑通的代码，它还要在空间上说得通。物体的比例、位置关系、朝向、是否穿模，这些都藏在几何里，光看代码文本很难判断对错。已有的做法要么依赖专门的建模软件和封闭的格式，要么只能输出一张图或一个网格，生成之后既不好修改，也不好检查。3DCodeVerse 针对的就是这个缺口。论文把 3D 内容看成"代码"，认为可执行程序天然可编辑、可复现，也可以被自动验证。作者因此提出一个完整的研究生态，包含三个相互配合的部分：大规模高质量的可执行 3D 代码数据集、一套负责空间推理与自动验证的编程 harness，以及一组面向实践的系统性经验研究。这样一来，社区得到的不是单个模型或单个数据集，而是一条从数据、生成到验证的完整链路。先看数据。作者构建了 3DCodeVerse-2M，一个大规模、经过筛选的独立 3D 可执行代码数据集。语料有三条来源：直接收集开源数据；把专用的 3D 表示转换成代码；让编程智能体生成全新的程序。

数据的组织方式很讲究。每个程序都连同源文件，以及在其声明的运行环境里执行所需的关联资源一起打包，因此拿到手就能运行，不会缺依赖。同时，样本还附带可用的文字描述和验证记录，既能用于训练，也能用于追溯质量。再看 harness。3DCodeVerse Harness 是一个多智能体的有向无环图（DAG）框架，专门负责生成与迭代改进 3D 内容。它把三类信号接进了修订循环：执行检查，确认程序能跑通；空间测量，检查物体的尺寸、位置等几何关系是否合理；视觉反馈，从渲染结果判断画面是否符合预期。整个生成过程不需要人工反馈，系统自己评估、自己修订，直到结果满足要求。把验证做成流程里的固定节点，而不是事后抽查，这是它与一次性生成方案最大的区别。实验分两条线。第一条线是数据的价值：作者用微调后的开源模型建立了基线，结果显示，在 3DCodeVerse 数据上微调，可以显著提升开源模型的 3D 编程能力。这说明瓶颈确实有一部分在数据，而不只是模型规模。

第二条线是 harness 的效果：在成对的人工评测中，当两边都由 Claude Opus 5.5 来驱动时，3DCodeVerse harness 对 Claude Design（3D Object）的胜率达到 90%。这个对比的设计值得留意，因为底层模型相同，差异就来自外围的流程设计，也就是多智能体分工与自动验证本身。此外，作者还对 harness 做了组件级分析，逐个考察各部分的作用，并据此总结出 3D 编程的实用指南。摘要没有给出更细的组件数字，所以具体哪一个模块贡献最大，要看正文的消融表格才能确认。可以肯定的是，这项工作把"怎么搭一个好用的 3D 编程智能体"从经验之谈变成了有实验支撑的结论。从行业角度看，这项工作的意义主要有三点。首先，对开源社区而言，一份带源文件、资源和验证记录的可执行语料很稀缺，它让研究者能在同一基准上训练和比较 3D 编程模型，而不必各自重新收集数据。其次，对工业落地而言，游戏、数字孪生、仿真和设计工具都需要可编辑的 3D 资产。代码形式的输出可以被版本管理、参数化修改、批量复用，也更容易接入自动化测试，这比只给一个不可改的网格实用得多。再次，对后续研究而言，执行检查加空间测量加视觉反馈的闭环，给"无需人工监督的自我修订"提供了一个可复用的范式，这个思路也可以迁移到 CAD、机器人场景生成等相邻方向。当然也要留意边界：90% 的胜率来自成对人工评测，对手是特定产品，并且依赖强大的底座模型，换到更弱的模型或更复杂的场景时效果如何，还需要更多独立验证。即便如此，3DCodeVerse 把数据、流程和经验放在一起公开讨论，为这个方向搭好了一个扎实的起点。