大模型3D场景生成评测：观感、机制与达标三关

一、为什么拿“3D 场景生成”当考题

过去几个月，大模型行业的整体环境发生了明显变化：一方面，旗舰模型的参数规模迈上数万亿级、上下文长度冲击百万 token，后训练的重心开始向代码生成、3D 创作等高门槛能力倾斜；另一方面，大量资源涌向“量大管饱”的轻量快速档模型，形成两条截然不同的产品路线。当蒸馏带来的边际收益逐渐下降，后训练质量就成了拉开差距的分水岭。

在这样的背景下，榜单分数反而不如一道精心设计的真实任务更有信息量——不同模型在不同任务上的表现分化明显，只有把模型放进具体场景里，才能看清它的进步与回退。

“用一个离线 HTML 文件实现 3D 海滨场景”就是这样一道好题，原因有三：

1. 综合性强：空间布局、视觉设计、图形学知识、前端工程缺一不可，任何短板都会暴露；
2. 约束可收紧：要求单文件、基于浏览器原生 3D 图形标准（WebGL2）、零外部图片/模型/第三方库依赖，逼模型把真实能力用在刀刃上，排除“调库拼装”的水分；
3. 结果可分层核验：观感可以看截图，机制可以读源码，达标可以做数值核算，天然适合做分层评测。

二、评测方法：一道题、三个维度、全程可复现

控制变量是前提：新旧两代模型使用同一环境、同一交互模式、同一提示词、同一判分标准。需要注意的是，线上模型会随时间持续迭代与调整，社区里也常有“效果波动”的讨论，因此评测结论必须标注时间与版本；固定提示词加固定判分标准，是保证可复现的最低要求。

提示词设计是很多团队忽略的环节，有三个要点：

1. 先立构图与材质：明确要求先交代镜头组织、建筑主次与材质基调，把“审美要求”前置，而不是事后补救；
2. 封堵偷懒方案：直接写明“涨落潮不能只靠升降一张蓝色平面”，要求船只、水线、广场淹没状态随潮位联动，否则模型大概率交出最低成本的实现；
3. 软性要求量化：像“大部分石阶被淹没”这类表述，要能换算成台阶层数、单层高度与最高水位的数值关系，否则事后无法核验。

可以把这些条款固化为需求清单：

【需求清单示例】
1. 单文件 HTML，零外部图片/模型/第三方库依赖
2. 场景要素：巨型环形水闸 + 阶梯海城 + 可升降潮水
3. 潮汐联动：船只随水位升降、水线位置随潮位移动、广场淹没状态同步
4. 最高潮位时"大部分石阶被淹没"
   （可核算：台阶层数 × 单层高度 vs 最高水位覆盖范围）

三、维度一：首屏观感，考察的是“场景组织”能力

两版实现都交出了合格的单文件 3D 场景，但一眼拉开观感差距的，是默认镜头里如何组织场景主次。

弱的一版：环形主体体量足够大，却被两侧山体抢了画幅，首屏大面积被近处山坡和远山填满，城市缩在海湾深处，建筑群与广场辨识度偏弱——观者需要“费力辨认”重点在哪。

强的一版：把巨环、桥洞、航标塔与层叠住宅组织成连贯景观，建筑群沿两岸铺开，中央广场有清楚的同心台阶层次，金属与石材的冷暖质感也容易区分，更接近提示词要求的“完整世界”，而不是“把单个环形物体摆在地形上”的生硬感。

从技术上看，这考察的是模型把设计简报翻译成布局约束的能力：镜头参数选择、各元素占画幅的比例、视线引导路径、视觉重量分配。改进实践有两条：

• 让模型“先出方案再写代码”：先输出构图说明（主体、陪衬、视线动线），确认后再生成实现，能显著减少首屏翻车；
• 在提示词里给硬约束：例如“主体占画面高度不低于 1/2”“前景遮挡不超过画幅 1/4”，把模糊的审美要求变成可执行的指令。

四、维度二：实现机制，水面反射的两种技术路线

水面是这道题的“机制试金石”，两版走了不同路线：

• 路线 A：解析式近似。用解析天空、太阳高光和灯光拖影来模拟反射。优点是成本低、稳定，缺点是倒影没有真实的几何来源，本质上是“画出来的反射”。
• 路线 B：平面反射（镜像相机）。额外引入镜像相机，把城市和船只关于水面对称后重绘一遍，再采样到水面着色中。岸上建筑的倒影与真实几何一一对应，属于实现机制层面的升级，而不只是参数调优。

平面反射的核心步骤可以概括为三步（示意伪代码）：

// 平面反射示意（伪代码）
const mirrorCamera = mainCamera.clone();
mirrorCamera.applyReflection(waterPlane);   // 1. 构造关于水面对称的镜像相机
renderer.setRenderTarget(reflectionRT);     // 2. 离屏渲染到反射纹理
renderer.render(scene, mirrorCamera);
// 3. 水面片元着色器中做投影采样
// vec2 uv = projCoord.xy / projCoord.w * 0.5 + 0.5;
// vec3 refl = texture(reflectionMap, uv + rippleOffset).rgb;

工程上要注意成本：镜像相机意味着全场景多绘制一次，几何开销近乎翻倍。常见优化包括按水面裁剪反射相机视锥、反射纹理降分辨率、移动端降级回路线 A。评测时也应把“是否做了这些工程权衡”纳入观察项。

五、维度三：需求达标率，用源码核算而不是用眼睛投票

到了最高潮位这个参数设置上，观感排序和达标排序出现了反转。

按生成源码中的台阶高度与最高水位核算：一版九层广场台阶在满潮时只有最低四层处在平均水位以下，没有兑现“大部分石阶被淹没”的要求；反倒是首屏不占优的另一版，把最高水位范围覆盖到了最外层台阶。

这个案例说明：观感好不等于达标好。大模型生成代码时，视觉表现和数值正确性是两条独立的能力线，前者靠构图与材质积累，后者靠约束满足与几何计算。评测必须把需求清单变成可执行的断言：

• 静态核算：从源码中读出常量（台阶层数、单层高度、最高水位），做几何计算验证；
• 运行时断言：向页面注入脚本，读取场景对象状态，校验潮汐联动是否真的发生；
• 状态留档：对最低/最高潮位等关键状态截图存档，做跨版本比对。

只有把这三类检查自动化，“达标率”才不会被演示效果带偏。

六、从进步与回退看模型演进方向

回到新旧两代对比反映出的行业趋势，有三点值得展开：

1. 榜单分化是常态。新一代模型的亮点往往集中在长程编程与工具辅助任务上，其他任务未必同步进步，甚至出现局部回退。选型时不要只看综合榜，要看与自己任务画像匹配的分项表现。
2. 路线分岔仍在继续。轻量快速档与前沿旗舰服务不同场景：前者拼响应速度与成本，后者拼能力上限。评测者应分别建卡，不应用同一把尺子衡量。
3. 后训练成为分水岭。当基础能力趋同、蒸馏收益下降，数据质量与领域强化（代码、3D、垂直行业等方向）决定了每代产品的真实增量。这也解释了为什么“同一道题、新旧两代”的差异，比跨厂商跑分更有参考价值。

七、把评测沉淀为工程流程

对工程团队来说，一次性的“手感评测”价值有限，建议把上述方法沉淀为可持续的流水线：

• 题库分层：构图类、机制类、约束类题目按比例配置，覆盖“好看”“巧妙”“正确”三种能力；
• 自动化判分：关键状态截图加结构相似度比对、源码静态检查（依赖数、常量核算）、运行时断言三件套；
• 版本回归：固定提示词与判分标准，每次模型版本更新后重跑，输出增量报告；
• 基础设施：流水线可以完全搭建在通用云能力上——用 GPU 算力实例做批量推理（例如百度智能云等云平台提供的模型服务与算力资源），用对象存储保存截图与源码产物，用日志与监控服务跟踪任务状态，评测本身不依赖任何专有组件。

结语

从“第一印象”的改善可以看出，模型在审美与场景组织上的确在进化；但真正决定生成结果能否投入使用的，是“后端”三件事：约束是否满足、数值是否正确、长程是否一致。评测者把观感、机制、达标三关都设上卡，才不会被一段漂亮的演示带偏——这既是评测方法论的落地，也是对“接下来真正考验在后端”最好的回应。