AssemblyWorld 基准：通用智能体 3D 装配成功率 59.4%，Astra 领先开源模型大幅落后

能否在不进行装配专用微调的情况下，让预训练通用智能体通过视觉交互完成三维装配任务？

三维装配需要将部件精确放置到正确位置，现有专门方法依赖领域数据和额外训练，难以跨家具、工业和断裂等不同场景泛化。通用智能体具备视觉和推理能力，但此前缺乏统一环境检验其在几何精度和交互修正方面的表现，且现有基准分散，无法公平比较不同系统。

此前方法包括基于学习的位姿预测模型，使用图或层次结构推理（如 Manual-PA、SPAFormer），断裂重组依赖碎片几何对应（如 GARF），以及使用渲染反馈的交互式场景重建工作。这些方法大多面向单一领域，需要装配专用训练或位姿预测器，无法直接作为可在多类任务上零样本运行的通用代理。

研究提出 AssemblyWorld 环境，通过 Model Context Protocol MCP 向智能体暴露观察和操作工具：智能体只能获取渲染二维视图，并通过平移、旋转和分组操作调整部件姿态，不能直接访问网格顶点或面。基于该环境构建 AssemblyWorldBench，从 PartNet、IKEA-Manual、AssemblyBench 和 Fantastic Breaks 四个数据集选取 80 个对象，生成 100 个标准化任务，统一初始化并限制 60 分钟执行预算。所有被评估模型均为预训练通用智能体，未进行任何装配专用微调。

在 100 个任务上，GPT-6 Astra 总平均部件准确率 PA 为 80.9%，完整装配成功率 SR 为 59.4%，为最高；Fable SR 50.0%，Opus 44.4%，而开源系统 Qwen 为 11.9%，DeepSeek 为 0%。Astra 在两部分断裂重组上达到 91.67% PA，但在图像引导 PartNet 家具上仅 40% SR。与专门方法对比，Astra 在 PartNet 桌子类别上取得 PA 85.35% 和 SR 63.60%，超过 Manual-PA 等；IKEA-Manual 椅桌类别 PA/SR 为 93.27%/75.44%；AssemblyBench 上 PA 78.32%、SR 55.91%，高于 Manual-PA 的 70.04%/33.57% 和 AssemblyDyno 的 71.21%/34.64%；断裂重组中 Astra PA 91.67%，但低于 TORA-CKA 的 97.28% 和 SARe-Gen 的 98.53%。参考图像给 Astra 在 PartNet 基准上带来 25 个 SR 百分点的提升。Astra 平均每个评估耗时 5.8 分钟、94 次工具调用，低于 Sol 的 8.7 分钟和 208 次调用。在 Astra 与 GARF 的组合中，GARF 输出经 Astra 视觉修正后 PA 从 83.67% 提升到 93.00%。所有结果来自仿真环境，每个对象单次运行。

作者承认评估仅关注自由空间几何正确性，未检验无碰撞或物理稳定装配；基准任务为抽样选取，鲁棒性测试仅单次运行、对象数量少；组合实验仅覆盖两碎片断裂重组和单一种子；预训练模型可能接触过相关内容，无法排除数据污染。此外，开源系统执行可靠性差，Qwen 有 65 次达到时限、14 次执行失败，DeepSeek 有 17 次达到时限、34 次执行失败。论文未报告环境或代码是否开源。