Coding Agent 正在进入 3D 创作领域，但生成一个模型、搭建一处场景，与创造一个能够持续运行和交互的数字世界，仍是不同层级的挑战。

从物体、场景到开放世界构建，Coding Agent 不仅需要理解视觉信息、生成代码，还要处理几何结构、空间关系、运行逻辑与动态交互。

然而，现有的评测基准往往将 " 静态几何质量 " 与 " 动态世界交互 " 割裂开来，如今市面上多数 Coding Agent 离真正进入 3D 工业管线仍有很长路要走。

针对这一问题，Einsia AI 正式发布 Frontier3DBench，一个衡量 Coding Agent 3D 创作能力的评测基准：

L1 物体层（65 项）：基于文本或单视图、多视图参考图生成可编辑的 Blender 资产，考察模型的建模与几何还原能力。

L2 场景层（65 项）：生成或重建完整 Blender 场景，涵盖文本生成、渲染图重建、真实照片重建，以及局部编辑并保持周边结构不变等任务。

L3 开放世界层（15 项）：基于文本或参考图构建 Unreal Engine 工程，要求多个区域彼此连通，并支持角色移动与连续交互。

该基准覆盖 Blender 与 Unreal Engine 两大工业级环境，包含 9 大类别、145 项任务，评测 11 种主流前沿模型与 Agent 框架配置，从外观、结构、行为三个维度，系统评估 Agent 从物体、场景到开放世界的创作能力。

Frontier3DBench 研究结果显示，综合得分最高的为 GPT-6.1 Sol，但在开放世界任务中，GPT-6 Astra 位列第一，国内大模型 MiniMax-M3.1-Flash 在场景编辑任务中优势明显，位居第二。

Frontier3DBench 系统评测后发现，当前主流模型已具备较强的 3D 内容生成能力，但仍存在两方面明显短板。

首先，自由生成强于参考图精准重建。

在文本生成物体任务中，各模型得分达到 75.93 — 84.05 分，但在多视图和单视图重建任务中，全场最高分分别降至 69.61 分和 66.26 分。

其次，局部交互强于开放世界任务。

研究团队在对生成的 165 个世界开展运行测试，不同任务得分存在明显反差。在局部交互中 11 家主流模型平均 83.08 分；但是在运动避障、状态与工作流方面双双不及格，平均得分仅为 20.82 分和 30.26 分。这说明 Coding Agent 在 3D 生成方面已经能够实现开关、机关等局部交互，但在开放任务交互中仍存在明显不足。

此外，研究还对模型综合质量与单题 API 估算成本进行了比较。GPT-6 luna（约 0.27 美元 / 题，48.56 分）、DeepSeek-V4.1-Flash（约 0.45 美元 / 题，57.45 分）和 GPT-6.1 Sol（约 1.01 美元 / 题，66.02 分）三种模型最具性价比。

不过并不是越贵的模型质量越高。研究显示，从 DeepSeek-V4.1-Flash 升级到 GPT-6.1 Sol，成本约增加 2.2 倍，综合得分提升 8.57 分。相比之下，GPT-6 Astra 单题成本约 5.58 美元，Claude Opus 5.5 约 21.17 美元，综合得分却均低于 Sol。

经 Frontier3DBench 的全面系统评测，Coding Agent 的真实能力边界正变得更加清晰：其能力正从单一的 3D 内容生成迈向更复杂的 3D 世界构建，但要真正进入工业级生产管线，仍需突破精准重建与全局工作流协同两大关键门槛。

从生成 3D 内容到创造数字世界，Coding Agent 的下一站，才刚刚开始。