文章核心观点 - AI 3D生成技术在2025年相比2024年质量显著进化 成为继AI视频后最被看好的AIGC应用领域 [1] - 上海人工智能实验室联合多所高校发布Hi3DEval评测体系 通过三层评测协议实现从整体到细节的多粒度分析 解决传统3D生成评测粗糙的问题 [3][5] - 首期榜单涵盖30个主流模型 腾讯混元Hunyuan3D 2.5以16.561分位居Image-to-3D任务榜首 微软TRELLIS(15.1989分)和Stability AI SPAR3D(15.0014分)分列二三位 [6][7] 评测体系创新 - 对象级评估涵盖几何合理性(结构完整性/保真性) 几何精细度(边缘锐利度/部件完整性) 纹理质量(清晰度/细节保真度) 几何-纹理一致性(纹理与几何对齐) Prompt-3D一致性(生成结果与输入匹配度)五个维度 [9][10][11][12][13][14] - 部件级评测聚焦椅子腿/扶手等细分部位 诊断局部几何问题 评估维度包括局部几何合理性(符合物理与设计逻辑)和局部几何精细度(细节清晰度与丰富度) [15][16] - 材质主题评估采用光照反射信息 从细节与复杂性(视觉丰富度) 色彩与饱和度(颜色自然度) 一致性与伪影(跨视角一致性) 材质合理性(反射率/粗糙度等物理特性)四个维度分析 [17] 技术实现突破 - 采用多视角环绕视频+原生网格的混合3D表征 视频表征检测跨视角结构稳定性与纹理漂移 原生3D表征支持部件级几何评估 [26] - 在人类偏好一致性上超越主流指标：Text-to-3D任务中DC指标达0.767(CLIP Score仅0.647) CA指标达0.733(CLIP Score仅0.543) Image-to-3D任务中C2指标达0.771(CLIP Score仅0.678) [27] 行业影响 - 标准化评测设置统一输入提示/渲染视角/光照条件 消除实验环境偏差 保障评分公正性 [21] - 提供可追踪/可复现的对标基准 推动3D生成技术向高质量与高透明度发展 改变过去依赖主观demo评价的行业现状 [7][28]