Vad metoden gör
En artikel som lades upp på arXiv den 28 september beskriver LEGO-Anything, ett ramverk där en kodagent rekonstruerar en tredimensionell scen från ett enda fotografi genom att skriva och köra Blender-kod, titta på resultatet och revidera programmet.
Utdata är varken en renderad bild eller ett mesh. Det är ett scenprogram: körbar kod vars objekt, geometri och kameraposition är explicita och går att inspektera, redigera och fråga i efterhand. Författarna argumenterar direkt för den representationen: en rekonstruktion “är mest användbar när den representeras inte som en rendering eller en fast 3D-utdata, utan som ett explicit scenprogram vars körning ger en scen som kan inspekteras, redigeras och efterfrågas”.
Riktmärket, och varför poängsättningen spelar roll
Samma arbete introducerar LEGO-Bench: 208 bilder hämtade från 104 scener inom- och utomhus, poängsatta var för sig längs tre axlar — om artefakten över huvud taget är giltig, om de synliga ytornas geometri stämmer, och om renderingen ser ut som fotografiet.
Att hålla de tre isär är den designbeslut som ger artikeln dess resultat. En enda sammanvägd poäng skulle låta en övertygande rendering dölja felaktig geometri, vilket är exakt det fel dessa system gör.
På riktmärket var GPT-6 Astra den starkaste agent som testades, med 53,4 procent inomhus och 39,6 procent utomhus. LEGO-Plugin, ett tillägg som inte kräver träning, förbättrade resultaten för sex modeller med upp till 62,7 procent.
Fyndet värt att behålla
Huvudsiffran är den om självbedömning. När agenterna ombads bedöma den geometriska träffsäkerheten i sina egna rekonstruktioner presterade de på eller under slumpnivå.
Det är ett annat fel än att vara oprecis. En agent som bygger en felaktig scen och vet om det kan iterera mot en riktig; en agent som inte kan avgöra det har ingen gradient att följa. Författarna pekar ut tre återkommande problem i byggspåren — svag initiering av scenen, redigeringar under iterationen som gör det sämre i stället för bättre, och opålitlig självbedömning — och det tredje är vad som gör det andra möjligt.
Den praktiska läsningen är att slingan dessa agenter kör — skriv kod, titta på resultatet, revidera — bara sluter sig om tittandet fungerar. Här gör det inte det.
Vad att hålla ögonen på
Artikeln är en preprint och riktmärket är nytt, så poängen är en utgångspunkt snarare än en rangordning. Det mer användbara att följa är om en separat kontrollant — en geometrisk kontroll som agenten inte utför på sig själv — sluter glappet. Det är samma form som annat agentdrivet vetenskapsarbete har landat i: modellen föreslår, något annat avgör om det stämmer.
