程序员圈早有"vibe coding"，凭氛围写代码，如今"vibe worlding"，凭氛围造世界，正在成为现实。8月19日，香港科技大学（广州）与腾讯联合开源了VibeWorlding框架，这是业界首个端到端3D世界构建的智能体强化学习框架。你只需说一句"用谷仓、农田、围栏和几棵树创建一个简单的农场"，Agent就会自己检索3D资产、规划布局、调用工具摆放、渲染图片检查，最终交出一个可以交互的3D世界；你也可以对已有世界说"把路中间的车移走，删掉两栋绿色建筑"，Agent会精准执行修改。从手工建模到一句话生成，3D内容生产的方式正在被重新定义。
VibeWorlding由两大部分构成，一半是"考场"VWE-Bench评测基准，一半是"健身房"VibeWorlding-Gym训练框架，两者共用同一个基于Blender的开源软件沙盒。为了支撑这套体系，研究团队投入了大量数据工程：构建了2616个高质量3D资产，横跨20个语义类别，从桌椅道具到大型建筑一应俱全，每个资产都标注了真实世界尺度下的物理包围盒；再由专业美术师用这些资产搭建了323个"种子世界"，复杂度从8个资产到258个资产不等；最后通过多模态大模型逆向合成6828条用户查询，涵盖从零构建与精修两大类，其中还故意混入"要求一个资产库里不存在的物体"之类的干扰项，考验Agent的鲁棒性。
训练框架的设计同样考究。Agent在沙盒环境中只有五个工具：检索资产、添加资产、删除资产、旋转资产、平移资产，每次操作后Blender从前后左右俯视五个固定视角渲染图像作为反馈，模型"看图改图"，多轮迭代直到完成任务。双约束验证器同时检查物理可行性与意图满足度：碰撞检测看资产包围盒是否交叠过深，高度检查看物体是否悬空或陷地；意图满足则由多模态大模型判官按生态合理性、3D理解、3D推理、检索合理性四个维度打分，必须达到4分才通过。为了堵住投机行为，防作弊机制规定可验证查询只允许授权范围内的修改，多删一个资产整轮判零分。这些资产、世界与查询数据的构建流程全部公开，任何团队都能基于同一套基准复现实验、验证自己的模型，这也是VWE-Bench区别于零散评测的核心价值。
在VWE-Bench的成绩单上，最前沿的闭源模型也远未解决这项任务：GPT-5.5总体Pass@1为57.3%，Qwen3.8-Max为56.9%，都不足60%。而研究团队从Qwen3-VL-30B-A3B基座出发，经过全参数监督微调与多模态GRPO强化学习训练出的开源模型VibeWorlder-30B-A3B，以59.3%的Pass@1排在所有参评模型第一，在可验证集上更是以64.5%对60.4%明显领先GPT-5.5。8B版本的VibeWorlder-8B总体41.4%，与Gemini 3.1-pro的42.7%基本打平，可验证集上反而以59.3%对44.4%大幅领先。
提升路径同样说明问题：同一基座原始只有13.6%的通过率，监督微调后提升到34.5%，强化学习后跃升至59.3%，强化学习这一步带来的涨幅最大。研究还发现，给前沿模型套现成的规划框架（如以GPT-5.5为核心的Agent脚手架）只能拿到13.6%到16.3%的成绩，远不如直接训练，这印证了"会思考的模型不等于会干活的Agent"。人工盲评交叉验证显示，自动验证器与专业3D美术师的判定一致率达83.4%，奖励与人工评分相关性高达0.88，说明这套训练体系的质量信号是可靠的。
VibeWorlding最核心的技术贡献，在于把强化学习成功应用到了3D空间推理任务上。模型每轮"思考加行动"的循环中，既依赖文本坐标理解世界，也依赖自己"看到"的五张渲染图进行判断，这种多模态反馈让模型学会了把空间意图转化为正确的工具调用。数据显示，3D推理能力（把空间意图变成正确工具调用）从基座的6%到20%，强化学习后提升到56%到85%，VibeWorlder-30B-A3B达到85%，超过Gemini 3.1-pro的62%；3D理解从0.17涨到0.80，响应幻觉率从62.5%压到9.2%，模型真正做到"说做一致"。
当然，论文也坦承了边界：碰撞避免是所有模型的共同短板，通过率只有59%到68%，"不碰撞地精确摆放"是当前最核心的未解难题；"距离对了方向反了"的坐标系理解错误和"过度编辑"是两大主导失败模式；资产库目前只有卡通美术风格，最大种子世界258个资产，距离真正"开放世界"的规模还有距离。未来方向包括更高层的组合工具、多Agent协作建大世界，以及把碰撞反馈直接做成奖励信号。这套框架的代码、数据、模型权重全部开源，游戏开发、数字孪生、具身智能仿真等领域都可以直接使用，AI造物的下一站，正在从"造物体"走向"造世界"。