研究人员推出智能体 VIGA：给一张图，直接在 Blender 里重建成 3D 场景

VIGA 是一个能用 Blender 图形引擎边思考边建模的多模态智能体。丢给它一张普通的 2D 照片，它就能把画面翻译成代码，在 Blender 里面重建出一整套可以继续编辑、调整物理属性和交互的 3D 场景程序。

它能做什么

它和普通的 3D 生成模型不太一样。很多工具直接生成不可编辑的点云或网格，而 VIGA 生成的是程序化场景。

在 Blender 里，它可以直接从最基本的几何图元开始搭积木，比如用参数化的立方体和球体从零拼出场景。如果需要更精致的模型，它也能直接调用 Meshy 或 SAM-3D 这类现成的 3D 资产生成工具，把现成模型当成起点，再去搭建物理场景。

除了 3D 建模，研究团队还发现它能拓展到其他程序化创作任务上，比如自动生成 2D 演示文稿（幻灯片设计）。

怎么做到的

VIGA 的核心是「分析-合成循环」（analysis-by-synthesis loop）。简单来说，它不是一次性把模型猜出来，而是写一段代码渲染一下，看一眼渲染结果，再根据差距继续修改。

为了做到这一点，它采用了交替多模态推理机制，并配上了一套动态演化的上下文记忆。这个记忆库能让模型记住之前的尝试和修改历史，从而像人类开发者一样不断调试场景、调整材质和物理碰撞。

在性能测试中，团队构建了一个包含 30 个任务的基准测试 BlenderBench，覆盖视角调整、多步编辑和组合编辑。测试显示，配合 GPT-4o 或 Qwen3-VL-8B 作为底座，VIGA 比单次直接生成的基准表现平均提升了 124.70%。

即便和没有上下文记忆的同构变体 BlenderAlchemy 相比，VIGA 的优势也很明显。在现有的单步图形编辑基准 BlenderGym 上，它也在几何、光照、材质和摆放等维度上取得了 35.32% 的综合提升。

怎么上手与现状

目前研究团队在项目主页上展示了详细的研究成果和演示案例，论文已经上线 arXiv（编号 2601.11109）。

底座模型方面，它支持结合 GPT-4o 或开源的 Qwen3-VL-8B 运行。不过目前官方主要公开了论文、基准测试和技术原理展示，想要在本地一键运行完整流程的用户，还需要关注主页的后续代码更新。

为什么重要

对于 3D 创作者和游戏开发者来说，可编辑性才是 3D 生成的核心痛点。以往很多「一键生成 3D」给出的都是难以细改的封闭网格，而 VIGA 证明了让大模型直接操控成熟的图形引擎、通过代码逐步搭场景是完全可行的。

我们认为，这种把 Blender 本身当成推理工具和沙盒的做法非常聪明。它避开了纯视觉语言模型在空间直觉上的短板，把生成转化成了「写代码-渲染-纠错」的工程问题。如果你平时频繁使用 Blender，或者正在探索 AI 辅助场景搭建，这个项目的架构思路非常值得持续跟进。