AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 6 条来源 · 引用可点击溯源

现有资料不足以直接回答“验证记录能否作为审计证据”这一合规/法律层面的问题——6 条资料均未涉及审计、证据链、可追溯性或合规认定。资料中能确认的只是：3D 代码的自动验证机制本身存在，且验证反馈能显著提升结果可靠性，这为“可审计性”提供了技术前提，但不等于审计证据资格。 1. 验证机制确实存在且是自动化的 3DCodeVerse 通过执行检查、空间测量和视觉反馈自动评估并修正生成的 3D 程序1；其生态包含 200 万条可执行 3D 代码数据集与多智能体 DAG 生成与验证框架1。这意味着验证过程可被程序化记录，具备形成记录的技术基础。 2. 验证反馈的有效性有量化支撑 3DVerifierBench 覆盖 10 项任务，评估多模态模型对 3D 内容的验证与拒绝解释能力6；其训练数据管线含 14,126 条矛盾解释，验证反馈可将候选选择成功率从 26.7% 提升至 90.0%6。这说明验证环节对结果质量有实质影响，而非形式化流程。 3. 但验证能力本身仍有明显上限 同一基准显示，最强模型 GPT-6 Astra 与人类仍有 21.6 个百分点差距6。若验证器本身存在系统性误差，其产出的记录作为证据的可靠性需打折扣——这一点资料只给出能力差距，未讨论误差对记录可信度的影响。 4. 资料未覆盖的部分

未说明验证记录是否包含时间戳、模型版本、输入快照、可复现的执行环境等审计要素；
未讨论记录完整性、防篡改或第三方复核机制；
未涉及任何审计准则、合规框架或法律责任认定。

结论：从技术角度，3D 代码生成已具备自动验证与反馈闭环1 6，可作为构建审计证据链的候选数据源；但“能否作为审计证据使用”取决于记录的可追溯性、完整性与验证器可靠性标准，现有资料不足以支撑判断。

继续追问

3DCodeVerse 的验证框架具体记录哪些中间产物，是否包含可复现的执行日志？3DVerifierBench 中验证器的错误类型分布如何，误判会不会污染验证记录？要让 AI 生成代码的验证记录满足审计要求，通常需要补充哪些元数据？

参考来源

6 条

1站内3DCodeVerse 让编码智能体生成可验证3D代码3DCodeVerse 是一个面向编码智能体的3D内容生成生态，包含200万条可执行3D代码数据集、多智能体DAG生成与验证框架，以及3D编码实践指南。它通过执行检查、空间测量和视觉反馈自动评估修正程序，微调后开源模型3D编码能力显著提升，其框架在人类评测中对Claude Design取得90%胜率。Hugging Face Papershttps://huggingface.co/papers/2610.22341 2站内GeoState 解耦视角的3D世界建模几何状态GeoState 提出视角解耦的几何表示，将场景状态演化与相机观测分离：场景分词器把多视角几何基础模型特征聚合为解耦场景状态，几何解码器按相机射线查询，自回归世界模型预测未来状态并单独建模相机运动。在 Waymo 上超越既有 3D 世界模型，支持跨视角一致查询并零样本泛化到 KITTI 和 nuScenes。Hugging Face Papershttps://huggingface.co/papers/2610.22343 3站内MELON: Reconstructing 3D objects from images with unknown posesGoogle Research 提出 MELON，一种无需相机位姿估计、预训练或复杂训练流程的 NeRF 方法，可从 4-6 张无位姿图像中同时推断物体中心相机位姿并重建 3D 物体，解决了位姿与重建互为前提的"鸡生蛋"难题及伪对称导致的局部最优问题。Google AI Bloghttp://blog.research.google/2024/03/melon-reconstructing-3d-objects-from.html 4站内Spark-0 用触觉预训练提升机器人灵巧操作Spark-0 是空间对齐的视觉-触觉-语言-动作模型，预训练时用触觉手套接触图与 3D 几何教师监督视觉 token，推理时可去掉；同时发布 1000 小时 HumanTouch 数据集与 SparkArena 基准。保留触觉监督使纯视觉成功率从 52.5% 升至 71.7%，说明触觉可作为可扩展的预训练监督信号。Hugging Face Papershttps://huggingface.co/papers/2610.22342 5站内SUPRA-TEX 单图生成超对齐3D纹理SUPRA-TEX 提出解耦可见材质估计、表面对齐与观测引导补全的单图3D生成方法，用MLLM编辑模型预测PBR贴图并投影为原生观测潜变量，再由交错流Transformer补全未观测区域，实现所见即所得的高保真纹理，仅用公开数据即达SOTA。Hugging Face Papershttps://huggingface.co/papers/2610.22352 6站内将生成式验证落地到三维内容论文提出3DVerifierBench基准，覆盖10项任务，评估多模态模型对3D内容的验证与拒绝解释能力，发现最强模型GPT-6 Astra与人类仍有21.6个百分点差距；并构建含14,126条矛盾解释的训练数据管线，验证反馈可将候选选择成功率从26.7%提升至90.0%。Hugging Face Papershttps://huggingface.co/papers/2610.22360

AI 答案正在检索与综合…

站内相关条目

6 条 · 点击可看原文全文与中文译文

返回信息流

3DCodeVerse 让编码智能体生成可验证3D代码

3DCodeVerse 是一个面向编码智能体的3D内容生成生态，包含200万条可执行3D代码数据集、多智能体DAG生成与验证框架，以及3D编码实践指南。它通过执行检查、空间测量和视觉反馈自动评估修正程序，微调后开源模型3D编码能力显著提升，其框架在人类评测中对Claude Design取得90%胜率。

Agent·Hugging Face Papers·4 天前

#agent

行业

GeoState 解耦视角的3D世界建模几何状态

GeoState 提出视角解耦的几何表示，将场景状态演化与相机观测分离：场景分词器把多视角几何基础模型特征聚合为解耦场景状态，几何解码器按相机射线查询，自回归世界模型预测未来状态并单独建模相机运动。在 Waymo 上超越既有 3D 世界模型，支持跨视角一致查询并零样本泛化到 KITTI 和 nuScenes。

行业落地·Hugging Face Papers·4 天前

#3d-world-model

其他

MELON: Reconstructing 3D objects from images with unknown poses

Google Research 提出 MELON，一种无需相机位姿估计、预训练或复杂训练流程的 NeRF 方法，可从 4-6 张无位姿图像中同时推断物体中心相机位姿并重建 3D 物体，解决了位姿与重建互为前提的"鸡生蛋"难题及伪对称导致的局部最优问题。

其他·Google AI Blog·4 天前

#nerf

具身

Spark-0 用触觉预训练提升机器人灵巧操作

Spark-0 是空间对齐的视觉-触觉-语言-动作模型，预训练时用触觉手套接触图与 3D 几何教师监督视觉 token，推理时可去掉；同时发布 1000 小时 HumanTouch 数据集与 SparkArena 基准。保留触觉监督使纯视觉成功率从 52.5% 升至 71.7%，说明触觉可作为可扩展的预训练监督信号。

具身智能·Hugging Face Papers·4 天前

#robotics

行业

SUPRA-TEX 单图生成超对齐3D纹理

SUPRA-TEX 提出解耦可见材质估计、表面对齐与观测引导补全的单图3D生成方法，用MLLM编辑模型预测PBR贴图并投影为原生观测潜变量，再由交错流Transformer补全未观测区域，实现所见即所得的高保真纹理，仅用公开数据即达SOTA。

行业落地·Hugging Face Papers·4 天前

#3d-generation

大模

将生成式验证落地到三维内容

论文提出3DVerifierBench基准，覆盖10项任务，评估多模态模型对3D内容的验证与拒绝解释能力，发现最强模型GPT-6 Astra与人类仍有21.6个百分点差距；并构建含14,126条矛盾解释的训练数据管线，验证反馈可将候选选择成功率从26.7%提升至90.0%。

大模型·Hugging Face Papers·4 天前

#3d