4DCodeBench：評估 AI Agent 動態場景 4D 反向圖形學與程式碼生成能力的全新基準
4DCodeBench: Benchmarking AI Agents on 4D Inverse Graphics and Dynamic Scene Code Generation
4DCodeBench 挑戰 AI Agent 執行「4D 反向圖形學」。Agent 必須觀察動態影片（涵蓋形變、流體與碎裂等物理現象），並將其轉譯為緊湊的可執行繪圖程式碼。評估結果顯示，目前在靜態 3D 重建表現優異的前沿模型，在理解與重建複雜物理動態程式碼時仍面臨巨大挑戰。
核心重點
4D 反向圖形學
評估 Agent 將 2D 動態影片轉換為可執行 3D 繪圖與物理模擬程式碼的能力。
多樣化物理現象
基準測試涵蓋真實與合成場景，包含物體形變、流體流動與碎裂等複雜動態。
靜態與動態的落差
實驗顯示，現有前沿模型雖擅長靜態重建，但在生成動態物理規律代碼上仍顯不足。
抽象程式表示法
要求 Agent 將視覺觀測轉化為緊湊的程式結構與物理常數等高階抽象概念。
技術圖解
為什麼重要
過去的逆向圖形學研究多著重於靜態物體，而 4DCodeBench 將評估範疇推向「時間＋空間」的 4D 維度。這有助於推動 AI Agent 發展出更深層的物理世界模型（World Model），為未來的自動化 3D 遊戲開發、虛擬世界物理重建，以及具身智能的物理規律學習奠定關鍵基礎。
對誰有影響
- AI 開發者
- AI 研究人員
- 產品經理
可以怎麼使用
- 1自動化遊戲與模擬引擎開發：將真實物理影片一鍵轉換為遊戲引擎內可編輯、可互動的程式碼。
- 2具身智能世界模型訓練：讓機器人透過程式碼生成來模擬並預測複雜物理環境的變化。
限制與注意事項
- 目前最強的前沿 LLM 與 Agent 在生成複雜動態物理程式時，成功率與穩定性依舊偏低。
- 基準測試依賴特定渲染與物理模擬器環境，可能無法完美涵蓋所有極端、非線性的真實物理現象。
延伸閱讀
減少解碼器反而增強編碼器：從新視角合成中提煉強大三維幾何表徵
Less Decoder is More Encoder: Extracting Robust 3D Geometric Representations via Novel View Synthesis
本研究揭示了新視角合成模型（NVS）中解碼器過強會稀釋幾何表徵的弊端，並提出 SNAP 架構，透過限制解碼器與採用潛在空間重建，大幅提升編碼器的三維幾何學習能力。
世界模型該遺忘什麼？以「分層保留」實現持續適應環境的能力
What Should World Models Forget? Stratified Retention for Continual Adaptation
本研究指出世界模型在持續學習時不應一味避免遺忘，而須透過「分層保留」區分永恆不變的物理定律與需要隨環境即時更新的動態事實。
艾倫人工智慧研究所開源 AstaBrief：比 Claude 快 3.5 倍的 8B 科學報告生成模型
Ai2 Open-Sources AstaBrief: An 8B Scientific Report Generator 3.5x Faster than Claude
艾倫人工智慧研究所（Ai2）開源 AstaBrief 8B 模型，專為科學文獻合成設計，透過單次寫作技術，在維持高引用精準度的同時，將報告生成速度提升 3.5 倍。