美國馬里蘭大學同 AWS 嘅研究員出咗個 LEGO-Anything 項目，思路係「Image-to-Code」：一個會寫代碼嘅 AI 編程代理（coding agent，即可以自主寫同執行程式嘅 AI）收到一張相，就為開源 3D 軟件 Blender 寫代碼，逐個物件砌出個場景。佢唔係一次過生成，而係反覆寫代碼、運行、睇結果、再改，直至跟住原圖為止。
呢個做法嘅賣點，係輸出係一套可執行嘅程序，唔係一張圖。物件、幾何、佈局同鏡頭位置全部寫得清清楚楚，你可以好似處理其他程式碼咁去運行、檢查、修改個場景。
研究團隊另設咗 LEGO-Bench 來量度代理表現，入面有 208 張相、來自 104 個室內同室外場景，用咗 443 個登記資產。佢哋解釋，真相冇精準 3D 答案可以對照，純粹合成圖又唔自然，所以佢哋用專業製作嘅模擬器場景去渲染測試相——入圖睇落自然，但精確幾何、深度同物件對應全部隱藏，做自動評分嘅「答案」用。
測試按三條軸線打分：validity 睇有冇交付到一個可用嘅場景；reconstruction 睇可見幾何準唔準；appearance 係重新渲染交回嘅場景，逐像素同原圖比對。
結果點？六個受測 GPT 配置幾乎次次都交付到可用嘅場景，但準確度落差好大：表現最好嘅 GPT-6 Astra 室內場景攞 53.4%，室外只有 39.6%；弱嘅配置大約 15%。場景越複雜準確度跌得越多，室外亦比室內難。研究員提高咗模型嘅推理預算（reasoning budget）之後，GPT-6 系列明顯進步，Astra 喺一個辦公室測試子集嘅分數由 32.3% 升至 61.8%。
最要緊嘅發現喺呢度：研究員分析咗代理嘅工作步驟，發現常見問題包括開頭做差、改動反嚟抹銷之前進度，同埋自我評估唔可靠。當模型要喺兩個版本入面揀邊個更符合原圖，佢哋嘅幾何判斷喺隨機水平附近甚至以下——代理基本上睇唔出自己嘅場景有冇越改越好。研究員結論：改得好唔好要靠具體量度，唔可以靠代理自己判斷。
基於呢個發現，作者建咗 LEGO-Plugin，一個唔需要額外訓練嘅擴充：佢將起始場景錨喺參考相上，用具體量度取代唔可靠嘅自我判斷，同時保護正確嘅進度唔被退步式改動抹銷。呢個插件令全部六個模型都有改善。
阿調搞兩下：AI 由一張相砌出可編輯嘅 3D 場景，聽落已經唔錯；但研究同時證明，個代理根本唔知道自己砌啱冇。想令佢做啱嘢，靠佢「自我感覺良好」係冇出路，最終都要靠人訂下嘅量度同錨點。你將一個工作流程交畀 AI 代理，監督同驗收標準一定要獨立於佢自己，唔可以畀佢自己批自己卷。
阿調｜深度調教
