给 AI 模型办了一场3D搭景盲测赛：Artificial Analysis 上线 AA-3D 榜单，21 个模型同题对决
给 AI 模型办了一场"3D 搭景盲测赛"：Artificial Analysis 上线 AA-3D 榜单，21 个模型同题对决
一句话先说结论：独立 AI 评测机构 Artificial Analysis 上线了一个新基准 AA-3D——让 21 个主流 AI 模型按同一份文字要求，各自搭出一个能在浏览器里转着看、能交互的 3D 场景，再由真人评审团盲投票打分排名。目前已开放榜单查看和公开投票。
这是个什么榜单？
以往我们看 AI 排行榜，考的多是答题、写代码、聊天。AA-3D 换了种考法：直接给每个模型发同一份"施工任务书"，让它在一个离线沙箱里写代码，做出一个用 three.js 渲染的网页 3D 场景——不是给你一个静态模型文件，而是一个真的能点开、能操作、能逛的迷你 3D 世界。
打分环节也不靠机器评分，而是由 Artificial Analysis 招募的评审团做"盲选对决"：两位评审各看两个模型为同一任务做的场景，每个场景至少体验 30 秒才能投票，全程不知道场景是谁做的。所有投票用 Bradley-Terry 统计方法换算成 Elo 分数，和棋牌段位的算法同源。
榜单长什么样？
目前上榜 21 个模型，前排基本被大厂旗舰包揽：
| 排名 | 模型 | Elo |
|---|---|---|
| 1 | Claude Sonnet 5.5 (Max) | 1194±34 |
| 2 | Claude Opus 5.5 (Max) | 1190±35 |
| 3 | GPT-6 Astra (Max) | 1165±34 |
| 4-6 | Claude Fable 5.1 / GPT-6 Sol / GPT-6.1 Sol | 1131-1114 |
| 7 | Muse Spark 1.3 (Max) | 1035±32 |
| 8 | GPT-6 Luna (Max) | 1000（基准位） |
国产模型密集分布在 11-19 位：Kimi K3（982）、MiMo-V2.6-Pro（977）、Gemini 3.8 Flash 之后的 Qwen3.8 Max（948）、GLM-5.3-Flash（931）、Step 5 Preview（848）、GLM-5.3（782）、MiniMax-M3（739）等。
除了总分，榜单还给了几个很实际的辅助维度：成本（搭一个场景花多少钱）、Token 用量、轮数（模型来回改了几遍）、工具调用次数，以及"每个领域谁胜率高"的交叉表。也就是说，你不只能看到"谁最强"，还能看到"谁用最少的钱搭到差不多的水平"。
为什么这件事重要？
第一，它把 3D 生成的验收标准往前推了一步。过去评 3D 生成模型，多看输出的网格、贴图质量；AA-3D 考的是"最终成品"——模型得自己规划结构、写对代码、把交互逻辑跑通，相当于从"交作业"升级到"交付能用的产品"。
第二，这是首个覆盖面较广的交互式 3D 盲测榜。Anthropic、OpenAI、Google、xAI、Moonshot、阿里、智谱、StepFun、MiniMax 等 21 个模型第一次在同一种考卷下同台，且评分来自真人盲投，而不是各家自报的 benchmark。
第三，对普通用户它是开放的：任何人都可以在官方投票页（/3d/vote）体验模型搭的场景并投票——不过公开投票不计入正式排名，正式 Elo 只由招募评审团产生。
怎么用？适合谁？
第一步：打开 artificialanalysis.ai，首页点进带 New 标的 AA-3D 榜单，先看总分和置信区间。
第二步：如果你的场景在意成本（比如批量生成场景），把"Cost"和"Score vs. Release Date"两个视图对起来看，挑性价比拐点上的模型。
第三步：想直观感受差距，去投票页选一个任务领域，体验前排和中排模型各搭的场景——前排模型的场景在交互流畅度和细节完成度上肉眼可见地更好。
适合谁用：给项目选模型的技术团队；做 AI 3D 工具的厂商（对标自家产品水位）；想直观了解各模型空间理解能力的普通用户。
不适合 / 用时要打折扣的地方：这个基准考的是 three.js 网页场景，不等于工业级 3D 建模（CAD、影视级资产）的水平；Elo 只反映评审团偏好，不代表所有用户的审美和需求；另外场景必须先"跑得起来"才进投票，所以它也不覆盖那些代码都跑不通的失败案例。
避坑与注意事项
- 别只看名次。前排模型的 Elo 置信区间普遍在 ±32-35，第 1 和第 2 名（1194 vs 1190）在统计上并没有拉开差距，选型时结合任务领域胜率表更靠谱。
- 投票有门槛设计。每场景至少看 30 秒才能投票，且评审团里有约四分之一的"共识题"抽查——如果你的判断和大众评审差很远，可能是需求场景特殊。
- 时间成本不低。据多家媒体转述整理：模型搭一个场景最长可以用约 3 小时，用 Token 也不少，所以别拿"搭得慢"直接否定一个模型，榜单的成本维度里已经体现了这些代价。
一句话收尾
3D 生成这一轮竞争，考卷正在从"能不能生成"变成"搭出来能不能用"。AA-3D 是第一个把这道题摆上台面的公开盲测榜，做 3D 相关选型的人值得把链接存进书签。
参考来源
- Artificial Analysis 官方评测页（一手核验）：https://artificialanalysis.ai/evaluations/aa-3d
- Artificial Analysis 官方方法学页：https://artificialanalysis.ai/methodology/aa-3d
- Crypto Briefing 报道（2026-10-13）：https://cryptobriefing.com/artificial-analysis-aa-3d-benchmark-launch/
- AlphaSignal 报道（2026-10-13）：https://alphasignal.ai/news/artificial-analysis-aa-3d-ranks-21-ai-models-by-3d-scenes-they-build