WorldAuditBench：用多模态智能体交互式审计 3D 世界

研究者发布 WorldAuditBench，用于检测交互式 3D 世界中的异常，如悬浮物体、可穿墙和与场景不一致的物体。该基准包含 13 个环境中的 213 个任务，覆盖五类异常，基于 Unreal Engine 5 和 Three.js 构建。五种前沿模型在两种审计范式和固定探索预算下测试，成功率仅 6.6% 至 42.3%，远低于人类的 83.4%。

此前缺少统一、可量化的 3D 世界异常审计基准，多模态模型在该任务上的能力难以横向比较。该基准把“导航搜索”与“视觉判断”两件事联合考察，给出了与人类差距的具体数字，为后续评测和改进提供了可复现的对照。

3D 世界审计要求两个能力紧耦合：动作能力负责在空间中系统高效地探索以找到异常，视觉推理能力负责从多模态观察中判断异常，并用行动去验证判断。基准用两类范式对比：先由 VLA 探索再由 VLM 识别，或由 VLM 端到端地以视觉推理直接驱动行动选择，从而区分是探索不足还是推理不足导致失败。

对做 3D 仿真、游戏引擎资产校验或具身智能数据管线的团队，该基准提示不能仅靠 VLM 离线看图，需要把可执行的导航策略纳入流程。若要在生产中用于场景质检，需按任务预算设计探索策略，并接受当前模型成功率偏低的现实，保留人工复核环节。

• 围绕 Unreal Engine 5 和 Three.js 资产建立自动异常扫描插件，按五类异常分模块输出检测结果与置信度
• 为 3D 内容平台提供上线前场景一致性检查服务，先做异常定位再由人工确认
• 开发针对探索预算受限场景的导航策略模块，与现有 VLM 识别能力拼接成审计流水线
• 在内部评测中引入 WorldAuditBench 的任务集，作为多模态智能体空间推理能力的回归测试指标

• 两种审计范式各自在不同异常类型上的成功率是否有拆分数据，尚未披露
• 213 个任务按五类异常的具体分布和难度分级情况未说明
• 模型失败主要源于探索不足还是视觉误判，证据未给出归因结论
• 该基准是否可扩展到动态变化或多人交互的 3D 世界尚未确认