BlenderWorld es el primer benchmark integral diseñado para evaluar el rendimiento de los modelos de lenguaje multimodales de frontera en la creación autónoma de modelos tridimensionales a partir de referencias del mundo real. Este estudio, publicado en arXiv, aborda la limitación de las pruebas existentes, que no cubren adecuadamente las solicitudes abiertas en escenarios prácticos. El benchmark incluye 223 tareas que abarcan arquitectura, productos, entornos naturales y visualización científica, impulsadas por entradas de texto, imágenes, video y especificaciones estructuradas.
Para garantizar una evaluación rigurosa, los autores establecieron un protocolo unificado que renderiza los proyectos de Blender desde múltiples perspectivas y los compara contra 2.651 criterios binarios específicos de la tarea, además de puntuaciones holísticas de calidad visual. La prueba involucró a trece modelos de vanguardia. Los resultados muestran que GPT-6-Astra obtiene la puntuación compuesta más alta con un 79.9, seguida por Opus-5 (73.0) y GPT-5.6-Sol (67.7). Los hallazgos revelan un cuello de botella crítico: aunque los modelos actuales pueden interpretar instrucciones amplias, sufren dificultades significativas en la coherencia espacial fina y la reproducción estructural precisa en Blender, lo que indica un margen considerable para el desarrollo futuro de la agéntica nativa 3D.