Scene-Designer：面向智能体式3D场景生成的设计智能学习 Scene-Designer: Learning Design Intelligence for Agentic 3D Scene Generation

完整流程如下。第一步，原始轨迹采集：用GPT-5.2搭配SceneSmith脚手架按房间结构→大型落地家具→墙面资产→吊顶资产四阶段生成场景，人工筛选高质量场景后保留其完整构建轨迹，每个资产状态记为 $s_j=(x_j,y_j,\theta_j,r_j)$（平面位置、朝向、缩放）。第二步，因果轨迹整合：先用两个规则信号筛可疑操作——状态进度 $\Delta state_i=D(S_{i-1},S_f)-D(S_i,S_f)$（其中 $D$ 为所有资产位置欧氏距离与角度差 $d_\theta$ 的加权和）和错误消除 $\Delta error_i=V_{i-1}-V_i$；再由GPT-5.2因果校验器结合操作前后状态、环境反馈、上下文，给每个候选打redundant_trial/useful_correction/uncertain三类标签，仅当redundant_trial且置信度大于 $\tau=0.8$ 时删除，增删资产的操作一律保留；最后回放验证最终场景状态不变。第三步，为保留动作生成思维链，得到1K场景、35K步的Scene-OTA-35K（平均轨迹从约110步压到30步）。第四步，构建Scene-OTC-15K：对高质量场景施加三级扰动（轻度布局偏离如move_off_wall、功能退化如face_wall/remove_object、严重物理违规如move_overlap），按三种策略（累积扰动、同对象不同强度、同扰动不同对象——第三种需人工标注排序）构造从好到坏的有序偏好样本，GPT-5.2再根据渲染图生成Observation–Thought–Critic推理链；同时留出94个成对比较和55个四场景排序测试样本。第五步，联合SFT得到Scene-Builder。第六步，Scene-GRPO：每步采样 $K=4$ 个分支，局部奖励 $r^{local}_{t,i}=r^{fmt}_{t,i}+r^{rank}_{t,i}+r^{imp}_{t,i}$（非可渲染分支 $r^{rank}=-0.5$，子优于父 $r^{imp}=+0.5$、否则 $-0.5$），组内标准化为局部优势；全局奖励 $R_{len}=\mathrm{clip}((Y_{zero}-Y_g)/(Y_{zero}-Y_{full}),0,1)$（$Y_{full}=25$、$Y_{zero}=45$）、$R_{obj}=\mathrm{clip}((n_g-n_{zero})/(n_{full}-n_{zero}),0,1)$（$n_{full}=25$、$n_{zero}=10$），按 $G=4$ 条轨迹组归一化；最终优势 $A_{t,i}=A^{local}_{t,i}+\eta A^{global}_g$（$\eta=1$），策略学习率 $1\times10^{-6}$、最长80步。第七步，推理时可选地用Critic对4个候选分支排序择优（Scene-Designer w/ Critic）。

技术新颖性体现在四个层面。数据层：这是首批把「设计过程经验」和「批评偏好」作为监督信号的3D场景数据集——现有数据集（3D-FRONT、3D-SynthPlace）只有静态场景状态，而Scene-OTA记录构建与纠错决策及其对场景质量的影响；因果轨迹整合也不是固定比例裁剪，而是规则初筛（高召回）+LLM因果校验（高精度）+回放验证的三重把关，在保证 $S(T')=S(T)$ 的前提下把试错与有效纠错区分开，例如「先移动再相对吸附」这种看似绕路但因果必要的操作会被保留。算法层：Scene-GRPO把比较型Critic嵌进GRPO的组采样结构，在动作级提供稠密的相对监督，缓解了长视野稀疏奖励问题；改进奖励显式区分「选出了备选中最好的」和「动作带来了真实改进」，这是对智能体RL奖励设计的实质推进。系统层：同一个Critic在训练时做奖励、测试时做分支筛选，形成统一框架，而实验证明用GPT-5.2做测试时Critic会失败（会忽视明显碰撞、偏好不一致），说明领域Critic不可被通用模型替代。发现层：「设计与批评是一体两面」的实证——批评数据反哺设计质量（Fig. 12），设计经验增强批评能力（OTA+OTC的Critic最强），为具身智能体的自改进提供了新证据。

独立分析有六个弱点，各附改进方向。（1）Critic可能过拟合「扰动风格」：Scene-OTC的负样本全部来自人工定义的13种扰动函数（move_into_wall、rotate_180等），真实模型犯的错误（如朝向小角度偏移、组合次优但无显式违规）与人工扰动分布不同，Critic在分布外的真实场景上排序可靠性存疑——改进方向是把GRPO训练中策略自己产生的真实错误场景回流进批评训练集，做在线难度适配。（2）评估协议依赖GPT-4打分，评判模型可能与被评模型共享偏见，且未做人类用户研究——应补充人工偏好评估或下游具身任务指标（导航成功率、任务完成率）。（3）每步4分支采样的rollout机制使训练与测试成本成倍增加，论文未报告端到端生成的时间和API/算力开销——可以引入早停分支、学习值函数近似、或只在关键决策点触发分支比较。（4）数据与评估都绑定SceneSmith脚手架的工具集与渲染管线，跨脚手架泛化未验证——可在多套工具抽象上训练以检验迁移性。（5）Critic输出只有排序没有可操作反馈（指出哪个物体怎么改），指导信号较粗——可训练其生成结构化的修改建议，形成「批评-修改建议-执行」闭环。（6）联合训练中OTA与OTC数据的配比、损失权重未做敏感性分析，两种任务可能相互干扰，值得消融以确定最优混合策略。

作者明确提出或暗示的方向：（1）设计与批评互相增强只是「趋势」，需要在更大模型规模、更多数据、多轮迭代的设置下验证是否能形成持续自改进的飞轮；（2）测试时Critic引导证明了评价能力可以超越训练用途，可推广到其他智能体任务的推理时搜索。基于本文成果可自然延伸的方向：（1）把Scene-Critic接入具身仿真环境作为通用奖励模型，支撑机器人任务的条件生成与重排；（2）在线偏好学习闭环——在真实部署中收集人类偏好持续微调Critic，替代扰动构造的合成偏好；（3）3D原生Critic：直接在场景结构表示（而非渲染图）上评价，避免渲染视角遗漏并降低成本，或结合可微物理检查输出归因到具体约束违反；（4）Critic引导的树搜索/蒙特卡洛规划，把单步分支选择扩展为多步前瞻，进一步压缩轨迹长度；（5）按错误类型与难度自动排课（curriculum），先学物理错误纠错再学布局级优化；（6）把「知行相长」框架迁移到其他设计类任务，如UI布局、电路板布局、城市规划，检验设计智能的普适性。

复现条件总体友好但数据管线有隐性成本。有利因素：论文给出了完整开源入口（GitHub: ZJU-OmniAI/Scene-Designer、HuggingFace模型页、项目页），基座Qwen3-VL-8B-Instruct开源；训练配置披露完整——SFT为2个epoch、学习率 $1\times10^{-5}$、cosine调度、warmup 0.08、4张A800全参数微调，GRPO为4分支、组大小4、最长80步、学习率 $1\times10^{-6}$，所有奖励超参（$Y_{full}=25$、$Y_{zero}=45$、$n_{full}=25$、$n_{zero}=10$、$\eta=1$、$\tau=0.8$）和公式（含优势归一化）都在附录C中给出；Scene-OTA仅1K场景、35K步，SFT数据量对学术界完全可承受；附录F还公开了系统提示、记忆快照和纠错评估的完整prompt模板。困难因素：（1）数据构建强依赖闭源GPT-5.2 API——原始轨迹生成、因果校验、推理链生成都需要大量API调用，复现完整数据管线需要可观的预算，且结果会随API版本漂移；（2）高质量场景的人工筛选和整合轨迹的人工审核有难以估计的人力成本；（3）Scene-OTC中「同扰动不同对象」策略需人工标注排序；（4）评测脚手架SceneSmith为引用的外部工作，其可用性需要确认。结论：若官方放出数据与模型权重（按论文声明应当会放出），复现训练和评测难度中等（8B模型、4×A800规模）；若要从零重建数据管线，难度和成本显著更高。