BVB：通过 Blender 程序化重构评测智能体真实视频理解能力

arXiv 于 2026 年 9 月 14 日收录了多模态基准研究 BVB（Blender-VideoBench），提出以让智能体编写 Blender 3D 程序化重建视频的方式检验其对真实视频的理解深度。

• BVB 提供了统一成本预算下的轻量级沙盒评测环境 Mini-BVB，要求被测智能体仅通过编写 Blender 代码将真实视频还原为可渲染的 3D 动态场景。
• 评测体系包含两个核心维度：双向时空问答（Dual VQA）评估重建场景对时空事实的保留程度，隐空间相似度（Latent Similarity）评估视觉感知匹配度。
• 针对 10 个模型家族共 51 种配置的测试显示，表现最好的模型感知相似度达到 88.6，但在时空事实层面的保留率仅为 53.7%，增加推理计算量可改善视觉相似度但未能消除事实准确性差距。
• 影响/看点：该基准为多模态智能体脱离表面问答、转向具身物理与三维结构理解提供了量化检验工具，其推广依赖于多模态代码生成与 3D 几何建模环境的高效协同。
• 资料依据:
• arXiv 论文库（2026-09-14）：https://arxiv.org/abs/2609.15478
• Hugging Face 论文库（2026-09-14）：https://huggingface.co/papers/2609.15478

本内容由 AI 生成，仅供参考，请注意甄别