EditHero：首个长程部件级3D编辑基准测试解析

3D编辑的真实场景：不是一次性生成

现有的3D编辑方法大多只在单次编辑上接受测试，但在真实的资产制作流程中，一个3D模型往往是通过一长串连续修订逐步打磨出来的。每一次修改都必须精准实现用户要求的变更，同时保持其他部分原封不动。这种"长程、迭代式"的工作方式，恰恰是过去评测体系的盲区。

EditHero正是针对这一空白提出的解决方案。研究团队声称，这是据他们所知首个面向长程、部件级3D编辑（long-horizon, part-level 3D editing）的基准测试。它配备了自然语言指令，以及同时覆盖几何形状与纹理的目标图像，让编辑任务的评估变得更加贴近实际生产需求。

确定性装配引擎与人工审核

EditHero的一个核心设计是引入了确定性装配引擎（deterministic assembly engine）。这意味着在每一次编辑之后，系统都能产出精确的目标结果，而非依赖随机生成带来的不确定性。这种确定性为评测提供了可靠的"标准答案"，使得每一步编辑的正确与否都可被客观衡量。

除了自动化引擎，每一条编辑序列还经过人工逐一审核。这种"机器生成+人工把关"的双重保障，确保了基准测试的质量与可信度，也让后续研究能够在一个干净、可控的数据基础上展开。

所谓"确定性"，是相对于当前主流生成式方法（如扩散模型）的随机性而言的。扩散模型每次推理都会引入随机噪声，导致同一指令可能产生多个不同结果，令客观评测难以进行——因为无法确定哪个输出才是"正确答案"。确定性装配引擎则采用规则驱动或参数化的组合方式，给定相同的部件库与编辑指令，每次都能输出完全一致的目标模型，从而为评测提供稳定可复现的ground truth（标准参考答案）。这一设计思路与传统软件工程中的单元测试理念一脉相承——可重复、可验证是构建可信评测体系的前提。

两种对立的3D编辑范式对决

EditHero最有价值的部分，是用它来系统比较两种截然相反的3D编辑思路。

非智能体方法：自上而下的重生成

第一类是非智能体方法（non-agentic methods），采用自上而下的方式工作。它们从一个学到的3D表征出发，整体重新生成对象，并试图推断哪些部分应当保留。这种方法的根本问题在于：模型需要"猜测"用户意图之外的保留区域，结果往往不尽如人意。

实验显示，非智能体方法经常错过用户请求的变更，同时又扰动了本应保持不变的区域。换句话说，它改了不该改的，漏了该改的，这在需要精细迭代的生产场景中是致命缺陷。

这类方法的典型代表包括基于NeRF（神经辐射场）或3D高斯溅射（3D Gaussian Splatting）的编辑系统。它们通常先将3D对象编码为某种隐式或显式的神经表征，再通过文本或图像条件引导重建过程。由于生成过程是整体性的，模型缺乏对"哪些部分需要改变、哪些部分必须保留"的显式感知，只能依靠在训练数据中学到的统计规律做出隐式推断。这也解释了为何它们在部件级精确编辑上表现欠佳——神经网络的"理解"并不等同于对结构语义的显式操控。

LLM/VLM智能体：自下而上的代码编辑

第二类是基于大语言模型（LLM）和视觉语言模型（VLM）的智能体方法（agents），采用自下而上的策略。它们通过代码来执行编辑——检视网格（mesh）结构，然后只重写指令要求修改的那些部分。

这种方式的优势十分明显：大多数LLM能更忠实地遵循指令，并且所有测试的LLM在保留未编辑部分方面都表现更好。这正是迭代式编辑最看重的能力——改动局部而不破坏整体。

智能体方法通常以程序化3D表征（如参数化网格、CSG构造实体几何或Python脚本驱动的建模库）为操作对象。LLM读取描述模型结构的代码或元数据，将自然语言指令转化为具体的编辑操作（如"将椅腿高度参数从0.4改为0.6"），再通过执行修改后的代码重建目标模型。VLM则可额外感知图像反馈，用于验证编辑结果是否符合视觉预期。这种"代码即表征"的思路，天然支持对局部部件的精确寻址，也使得编辑操作具备可审计、可回滚的特性——这在专业内容生产流程中同样具有重要价值。

精度与效率的权衡

智能体方法虽然在精度上占优，却也付出了代价。研究指出，这些基于LLM的方法，每一次编辑都要花费数分钟。对于需要频繁迭代的创作流程来说，这样的延迟是一个不容忽视的瓶颈。

这一结果揭示了当前3D编辑领域的核心矛盾：非智能体方法速度快但可靠性差，智能体方法可靠却慢。如何在二者之间找到平衡，或者融合两种范式的优点，将是未来研究的重要方向。

开放资源推动可靠迭代编辑研究

研究团队承诺将公开装配引擎和编辑序列，以支持可靠的迭代式3D编辑研究。这种开放态度对整个社区意义重大——它不仅提供了一个标准化的评测工具，也为对比不同方法、复现实验结果奠定了基础。

随着3D内容在游戏、影视、工业设计乃至元宇宙中的需求不断增长，能够精准、可靠地进行迭代编辑的工具将变得越来越关键。EditHero所揭示的问题和它建立的评测框架，或许正是推动这一领域走向成熟的一块重要基石。