4DCodeBench 评测编程 Agent 用代码重建动态 3D 场景的能力
CSProfKGD · x · 2026-10-06
斯坦福、JHU 等机构研究者（作者含 Jiajun Wu、Joshua Tenenbaum、Alan Yuille 等）推出 4DCodeBench，考察一个核心问题：编程 Agent 看完一段物理事件的视频后，能否从零写出图形程序，重建场景的 3D 几何、随时间变化的运动，并渲染回视频。
- 规模：200 个任务（100 个真实视频 + 100 个模拟视频），对 18 个 Agent 排名。
- 评测维度：外观、几何、运动三大方面，总分为五个指标族的平均值；用 VLM-as-judge 做两两偏好，聚合成 Elo 分。
- 排行榜：GPT-6 Astra [Max] 领先，Claude Opus 5.5 [High] 紧随其后；开源模型总体落后于闭源模型。
- 算力发现：跨模型看，更多 token 消耗并不一致地带来更高 Elo；但在 GPT-6 Astra 内部，提高推理努力确实能以更多 token 为代价提升重建质量。
所属事件:4DCodeBench 发布：GPT-6 Astra 领跑动态 3D 重建基准(4 条相关)→
「编程与Agent」频道最新
- TanStack 推出 MCP Server，AI 助手可检索文档并脚手架新项目 — modelcontextprotocol · 2026-10-06
- SnapRender 发布 MCP，让 AI 助手直接抓取任意网页截图 — modelcontextprotocol · 2026-10-06
- SFT再RL仍会死循环:29%跑满轮次上限,on-policy数据才是关键 — VikParuchuri · 2026-10-06
- 纯 RL 后训练消灭智能体工具调用死循环：SFT 循环率 92% 降至 0 — VikParuchuri · 2026-10-06
- Datalab 实测：纯 RL 训练让 Agent 零死循环，SFT 循环率高达 92% — VikParuchuri · 2026-10-06
- 编码 agent 让研究范围失控,学者警惕"研究垃圾"副作用 — rishabh16_ · 2026-10-06