BlenderRAG: Hoogfideliteit 3D-objectgeneratie via retrieval-augmented codesynthese

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

May 1, 2026

Auteurs: Massimo Rondelli, Francesco Pivi, Maurizio Gabbrielli

cs.AI

Samenvatting

De automatische generatie van uitvoerbare Blendercode uit natuurlijke taal blijft een uitdaging, waarbij state-of-the-art LLM's frequente syntaxisfouten en geometrisch inconsistente objecten produceren. Wij presenteren BlenderRAG, een retrieval-augmented generation-systeem dat werkt op een gecureerde multimodale dataset van 500 door experts gevalideerde voorbeelden (tekst, code, afbeelding) verspreid over 50 objectcategorieën. Door het ophalen van semantisch vergelijkbare voorbeelden tijdens de generatie, verbetert BlenderRAG het compilatiesuccespercentage van 40,8% naar 70,0% en de genormaliseerde semantische overeenkomst van 0,41 naar 0,77 (CLIP-gelijkenis) over vier state-of-the-art LLM's, zonder fine-tuning of gespecialiseerde hardware nodig te hebben, waardoor het direct inzetbaar is. De dataset en code zijn beschikbaar op 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.