BlenderRAG: Hochpräzise 3D-Objekterzeugung durch retrievergestützte Code-Synthese

BlenderRAG: High-Fidelity 3D Object Generation via Retrieval-Augmented Code Synthesis

May 1, 2026

Autoren: Massimo Rondelli, Francesco Pivi, Maurizio Gabbrielli

cs.AI

Zusammenfassung

Die automatische Generierung von ausführbarem Blender-Code aus natürlicher Sprache stellt nach wie vor eine Herausforderung dar, wobei moderne LLMs häufig syntaktische Fehler und geometrisch inkonsistente Objekte erzeugen. Wir stellen BlenderRAG vor, ein retrieval-augmentiertes Generierungssystem, das auf einem kuratierten multimodalen Datensatz mit 500 von Experten validierten Beispielen (Text, Code, Bild) aus 50 Objektkategorien arbeitet. Durch das Abrufen semantisch ähnlicher Beispiele während der Generierung verbessert BlenderRAG die Kompilierungserfolgsrate von 40,8 % auf 70,0 % und die semantische normalisierte Übereinstimmung von 0,41 auf 0,77 (CLIP-Ähnlichkeit) über vier moderne LLMs hinweg, ohne dass ein Fine-Tuning oder spezielle Hardware erforderlich ist, was eine sofortige Einsatzfähigkeit ermöglicht. Der Datensatz und der Code sind unter https://github.com/MaxRondelli/BlenderRAG verfügbar.

English

Automatic generation of executable Blender code from natural language remains challenging, with state-of-the-art LLMs producing frequent syntactic errors and geometrically inconsistent objects. We present BlenderRAG, a retrieval-augmented generation system that operates on a curated multimodal dataset of 500 expert-validated examples (text, code, image) across 50 object categories. By retrieving semantically similar examples during generation, BlenderRAG improves compilation success rates from 40.8% to 70.0% and semantic normalized alignment from 0.41 to 0.77 (CLIP similarity) across four state-of-the-art LLMs, without requiring fine-tuning or specialized hardware, making it immediately accessible for deployment. The dataset and code will be available at https://github.com/MaxRondelli/BlenderRAG.