Wetenschappers hebben een nieuwe methodiek ontwikkeld om de capaciteiten van AI-agenten te testen bij het creëren van driedimensionale omgevingen. Het doel is om vast te stellen in hoeverre deze systemen in staat zijn om gebruikersverzoeken te interpreteren, relevante informatie op het internet te vinden en deze data vervolgens om te zetten in een functionele 3D-wereld.
Hoewel moderne AI-systemen reeds vaardig zijn in het doorzoeken van het web en het gebruik van externe tools, bestond er tot voor kort een gebrek aan wetenschappelijke kaders om specifiek de transformatie van webcontent naar 3D-omgevingen te beoordelen. In een recent onderzoek, getiteld "Search-to-World", wordt dit hiaat opgevuld door een end-to-end pipeline voor te stellen die dit proces meetbaar maakt. Volgens de publicatie op arxiv.org is dit essentieel om de kloof tussen het simpelweg vinden van informatie en de daadwerkelijke technische realisatie van een wereld te overbruggen.
Evaluatie via ORR en WDR
Het door Zixiao Gu en collega-onderzoekers gepresenteerde kader splitst de taak op in drie fasen: het begrijpen van de vraag, het ophalen van visuele content en de uiteindelijke levering van de 3D-wereld. Om deze stappen objectief te kunnen scoren, zijn er twee specifieke meetwaarden geïntroduceerd.
De eerste maatstaf is de Observed Retrieval Rate (ORR), waarmee wordt bepaald of het systeem de juiste informatie op het web kan lokaliseren. De tweede maatstaf is de World Delivery Rate (WDR), die analyseert of de uiteindelijke 3D-omgeving perceptueel acceptabel is en voldoet aan de wensen van de gebruiker. Uit de data blijkt dat een hoge score op de ORR niet automatisch leidt tot een succesvolle WDR, wat aantoont dat het vinden van data een andere uitdaging is dan het synthetiseren daarvan tot een wereld. Voor het vinden van dergelijke informatie maken systemen vaak gebruik van tools zoals google.com.
Het WorldSearcher-framework
Naast de evaluatiemethode hebben de onderzoekers "WorldSearcher" ontwikkeld. Dit framework koppelt zoekagenten aan de productie van 3D-werelden via een strategie die wordt omschreven als "hergebruik-dan-reconstructie". In de praktijk betekent dit dat het systeem eerst zoekt naar bestaande 3D-modellen die hergebruikt kunnen worden. Indien dit niet lukt, probeert het systeem een wereld te reconstrueren op basis van beschikbare videobeelden.
Om fouten in dit proces te minimaliseren, is WorldSearcher voorzien van een gestructureerde recovery controller. Deze component kan ingrijpen wanneer een processtap mislukt, bijvoorbeeld door de zoekopdrachten te herformuleren of alternatieve videobronnen te selecteren. In het rapport op wordt toegelicht dat het gebruik van supervised fine-tuning (SFT) voor deze recovery subagents de succesratio van de leveringen aanzienlijk verhoogt.
Wetenschappelijke context
Het volledige rapport over deze methodiek is op 17 september 2026 gepubliceerd in de categorie Computer Vision and Pattern Recognition. De resultaten benadrukken dat de effectiviteit van de 3D-levering sterk afhankelijk is van het gekozen agentische model. De onderzoekers stellen dat hun benchmark een noodzakelijke basis biedt voor toekomstige ontwikkelingen in AI-gestuurde 3D-generatie. Meer details over de technische implementatie zijn terug te vinden in de documentatie via .