VibeWorlding关注的不是根据提示生成单个3D物体，而是让多模态智能体从用户查询出发，自主理解意图、规划场景、调用工具，并依据文字与视觉反馈持续调整，最终构建可交互的3D开放世界。论文认为，现有方法多在理想化、简单查询上评估，难以系统比较智能体的完整能力。

从单次生成转向多轮构建

该框架把“vibe worlding”定义为多轮的智能体—环境交互过程。智能体需要推断用户真正想要的世界，安排场景布局，调用3D工具完成操作，再根据环境返回的多模态信息进行反思。这一区分很重要：任务考查的不只是模型能否描述合理场景，还包括它能否把意图落实为连续、可执行的工具操作。

基准、沙箱与奖励服务

VWE-BENCH收录2,616个高质量3D资产、323个人工标注的种子3D世界，以及6,828条反向合成的多模态用户查询。查询被分为带有真实答案的已验证部分，以及使用精心设计评分规则的未验证部分。

配套的VibeWorlding-Gym用于多模态强化学习后训练。其沙箱将资产检索、编辑和图像渲染统一封装为MCP工具；基于评分规则的验证器则同时检查物理可行性与意图满足程度，既服务模型评估，也可作为可扩展的强化学习奖励服务。实验中，即使GPT-5.5和Qwen3.8-Max，成功率也都低于60%。

我的判断

这项工作的主要价值，是把意图理解、3D工具调用、视觉反馈和结果验证放进同一套任务框架，比只看最终渲染图更接近真实的3D智能体工作流。低于60%的结果也说明，前沿多模态模型尚未解决端到端开放世界构建。不过，仅凭摘要无法判断成功率的具体计算方式、不同查询子集的难度差异，以及强化学习带来的实际提升幅度；摘要末尾对瓶颈的描述也不完整。因此，它目前更适合作为研究基准和训练基础设施，尚不能据此推断系统已具备稳定的生产级3D世界生成能力。