Scene-Designer обучили проектировать и критиковать 3D-сцены по тексту на 50 тыс. примеров

Дизайн-интеллект для 3D-сцен из текста

Создание полных, связных и действительно пригодных для работы 3D-сцен из простого текста требует специального навыка — того, что исследователи называют «дизайн-интеллект». Это способность не просто проектировать сцены, но и оценивать их качество. Существующие подходы либо полагаются на универсальные модели без специализированного опыта в дизайне, либо обучаются только на статичных сценариях.

Команда исследователей представила Scene-Designer — агентский фреймворк, который развивает обе эти взаимодополняющие способности одновременно через примеры из областей дизайна и критики. Ключевая идея: модель не просто генерирует 3D-сцены, а параллельно развивает способность их оценивать, что создаёт замкнутую систему улучшения.

Два датасета: дизайн и критика

Для обучения модели исследователи создали два специализированных датасета:

Scene-OTA-35K содержит 35 тысяч примеров, нацелен на обучение эффективному построению сцен и коррекции ошибок при их конструировании.

Scene-OTC-15K включает 15 тысяч примеров для обучения критике качества сцен по трём критериям:

• Физическая валидность — логичность размещения объектов в пространстве и их взаимного расположения
• Функциональная корректность — соответствие сцены назначению и правильное взаимодействие объектов
• Согласованность макета — гармоничное и сбалансированное расположение всех элементов

Scene-GRPO: критик как направляющая сила

Для оптимизации процесса дизайна авторы предложили Scene-GRPO — фреймворк на основе GRPO (Generative Reward Policy Optimization), управляемый критиком. Этот подход использует оценки качества для направления модели на лучшие дизайн-решения, одновременно снижая количество бесполезных итераций и исправлений ошибок.

Результаты: 89% и превосходство над GPT-5.2

Эксперименты продемонстрировали двойное превосходство Scene-Designer — как в качестве генерируемых 3D-сцен, так и в способности их критиковать:

Парное сравнение сцен — Scene-Critic достигла 89% точности при выборе лучшей из двух сцен

Ранжирование четырёх сцен — модель показала 76% точности при упорядочивании четырёх вариантов по качеству

Превосходство над GPT-5.2 — полученные метрики выше, чем у этой базовой модели

Эти результаты показывают, что фреймворк не просто хорошо генерирует 3D-сцены, но действительно развил навык их оценки — то самое дизайн-мышление, необходимое для качественной работы. Комбинация двух специализированных датасетов (35 тысяч примеров дизайна и 15 тысяч примеров критики) вместе с управляемым критиком подходом Scene-GRPO создала модель, способную превосходить предыдущие решения в этой области.