我们已测量了智能。现在，是时候亲眼见证它了。

我们推出 AA-3D，这是我们全新的基准测试，用于衡量 AI 模型构建交互式 3D 场景的能力。每个模型都在一个离线沙盒中作为智能体运行，将一份书面简报转化为一个 three.js 网页。由人类评审小组在不知道哪个模型构建了哪个场景的情况下，对基于同一份简报构建的场景进行两两比较。

AA-3D 详情：

➤ 涵盖七个领域的 55 份书面简报，包括地标、机械、生物体、游戏和太空。每份简报说明场景必须展示什么以及人们应如何与之交互，其余部分留给模型发挥

➤ 每个模型最多有三个小时和 250 轮。其沙盒中有 Blender、Rapier 物理引擎、Python、一个用于测试自身工作的无头浏览器，以及一个 CC0 素材、3D 模型和角色库

➤ 评审在投票前会花至少 30 秒查看每个场景。每四次比较中有一次是验证检查

➤ 来自 1,000 多名评审的超过 10,000 张计票，按 Elo 对 21 个模型进行排名，并给出 95% 置信区间

主要发现：

➤ 四个模型在统计上并列榜首：Claude Sonnet 5.5（1194）、Claude Opus 5.5（1190）、GPT-6 Astra（1165）和 Claude Fable 5.1（1131）。其他三个模型的 95% 置信区间与 Claude Sonnet 5.5 的重叠

➤ AA-3D Elo 随智能提升：Artificial Analysis Intelligence Index 上每一点约值 18 Elo（Pearson 0.92）

➤ 排名最高的开放权重模型 Kimi K3（982）和 MiMo-V2.6-Pro（977）分别位列第 11 和第 12，落后第一名 200 多分

➤ 一个场景的成本从 $0.20 到 $32.08 不等，取决于模型。最便宜的 GPT-6 Luna 排名第八

更多结果、更多场景以及 AA-3D 的工作原理，请见下方推文串。