VibeWorlding: могут ли мультимодальные агенты создавать 3D-открытые миры от начала до конца?
Tencent
Унифицированный фреймворк плюс VWE-BENCH (2 616 ассетов, 323 начальных мира, 6 828 запросов) и VibeWorlding-Gym (песочница + верификатор рубrikи) для обучения мультимодальных агентов, которые выводят намерение, вызывают 3D-инструменты и рефлексируют по обратной связи. Даже GPT-5.5 и Qwen3.8-Max набирают ниже 60%; обученный через RL VibeWorlder-30B-A3B берёт лучший Pass@1 в целом, превосходя модели с закрытым исходным кодом.
Почему это важно
HF: 34 голоса. Первый открытый бенчмарк плюс рецепт обучения, показывающий, что открытые MLLM могут превосходить передовые закрытые модели в сквозном построении 3D-миров.
Важность: 2/5
HF Daily 34 upvotes
Источники
официальный
arXiv:2608.15265