三维室内场景生成不再只靠通用模型试错：学会自我评审后，交互朝向错误需五次以上纠正的比例从40%降到7%
核心概要
三维室内场景生成开始把“设计”和“评审”当作同一种能力来训练。此前的方法要么依赖缺乏领域设计经验的通用模型，要么只从静态场景中学习，原始构建轨迹里还混着大量无效试错。Scene-Designer 用两套互补数据分别学习构建与批评，再以评审模型引导强化学习优化编辑决策；相比仅做监督微调的 Scene-Builder，交互朝向错误需五次以上纠正的比例从40%降到7%，窗户可达性受阻从21%降到5%。
深度剖析
自然语言生成三维室内场景的智能体，现在可以在构建过程中自己判断哪一步编辑更好，而不必把每个决策都交给通用模型。 此前的智能体框架主要依靠通用模型做设计决策，容易产生冗长的纠错轨迹；已有场景数据集只提供带物体位姿的静态场景，不记录构建动作与纠错决策。 在卧室、客厅、浴室、办公室等房间类型上，Scene-Designer 在物理有效性、功能正确性与布局连贯性上均高于仅做监督微调的 Scene-Builder，例如客厅真实感由8.0升至9.6、布局质量由8.2升至9.3。
纠错效率的提升体现在需要反复修改的错误明显减少。 仅做监督微调的 Scene-Builder 虽已从构建轨迹中学到纠错策略，但对部分错误仍需不必要的反复尝试。 相比 Scene-Builder，Scene-Designer 把门洞占用、窗户可达性受阻、交互朝向错误、尺度失配四类错误中需要五次以上纠正的比例分别从15%降到13%、21%降到5%、40%降到7%、50%降到23%。
方法分两步：先联合监督微调得到会构建也会评审的 Scene-Builder，再用评审模型引导的强化学习把它变成 Scene-Designer。 原始构建轨迹平均约110步，其中含大量无效试错；因果轨迹整合通过状态变化与剩余错误识别可疑操作，再由 GPT-5.2 判定其纠错作用，只删除确认为冗余的步骤。 整合后平均轨迹长度降到约30步，工具调用减少57%；Scene-OTA-35K 含1K场景与35K条观察—思考—动作记录，Scene-OTC-15K 含约15K条评审偏好样本。
学到的评审模型本身也能在推理时挑选分支，进一步改善场景。 通用模型在场景批评上表现有限，GPT-5.2 在两场景比较与四场景排序上的准确率分别为72%和15%。 联合训练的评审模型在同一测试集上达到89%与76%，且推理时用它筛选候选分支后，各房间类型的场景质量继续提升。
启示与展望
报道覆盖的是预印本全文所述范围：以 Qwen3-VL-8B-Instruct 为基座做全参数微调，评测统一使用“Design me a {room_type}”提示，每种房间类型生成10个场景，视觉语义质量由 GPT-4 按真实感、功能性、布局质量、完整性四个维度打分。几何可达性指标另行给出，Scene-Designer w/ Critic 取得最高 mRR 0.98 与 FR@0.3=1.0。适合关注三维场景生成、智能体工具调用与强化学习后训练的读者阅读。
设计经验来自 GPT-5.2 在 SceneSmith 脚手架上生成的轨迹并经人工筛选高质量场景，因此监督信号带有该生成器与脚手架的偏好。评审测试集规模为94个两场景比较与55个四场景排序，扰动顺序部分依赖人工标注。设计能力与批评能力相互促进目前只被描述为一种趋势，而非确立的结论。