BlenderRAG : Génération d'Objets 3D Haute Fidélité par Synthèse de Code Assistée par Récupération d'Informations

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

May 1, 2026

Auteurs: Massimo Rondelli, Francesco Pivi, Maurizio Gabbrielli

cs.AI

Résumé

La génération automatique de code exécutable Blender à partir de langage naturel reste difficile, les modèles de langage les plus avancés produisant fréquemment des erreurs syntaxiques et des objets géométriquement incohérents. Nous présentons BlenderRAG, un système de génération augmentée par retrieval opérant sur un jeu de données multimodal de 500 exemples validés par des experts (texte, code, image) couvrant 50 catégories d'objets. En récupérant des exemples sémantiquement similaires pendant la génération, BlenderRAG améliore le taux de compilation de 40,8% à 70,0% et l'alignement sémantique normalisé de 0,41 à 0,77 (similarité CLIP) sur quatre modèles de langage état de l'art, sans nécessiter de fine-tuning ou de matériel spécialisé, le rendant immédiatement accessible au déploiement. Le jeu de données et le code seront disponibles à l'adresse https://github.com/MaxRondelli/BlenderRAG.

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.