Dues IA construeixen el menjador dels Simpson en 3D: de Blender a Godot

Una prova pràctica, no només una classificació

El vídeo parteix d’una pregunta molt concreta: què passa si dos models d’IA amb capacitat de programar reben el mateix encàrrec i poden controlar Blender, observar el render resultant i corregir el seu propi codi? El canal Can It Code? compara GPT-5.6 Sol amb Claude Fable 5 en tres rondes: crear un dònut, reconstruir el menjador dels Simpson a partir d’una sola imatge i exportar l’escena a Godot perquè es pugui recórrer en primera persona.

És una demostració visual atractiva, però convé entendre què mesura. No és un benchmark científic ni una prova cega: hi ha una sola execució per model, els criteris estètics són subjectius i el vídeo no publica una rúbrica detallada. El seu valor és un altre: ensenya fins on arriba avui un flux agentiu que combina codi, visió i iteració sobre una eina 3D real.

Com treballen els agents dins de Blender

Els models no manipulen manualment la interfície com ho faria un artista. Escriuen instruccions i scripts perquè Blender generi geometria, materials, llums i càmeres. Després reben una imatge del resultat, la comparen amb l’objectiu i introdueixen canvis. Aquest bucle —generar, mirar, diagnosticar i tornar a provar— és la part més interessant de l’experiment.

El procés mostra una diferència important entre demanar una imatge a un generador visual i construir una escena 3D:

• cada objecte ha d’existir com a geometria i ocupar una posició coherent;
• la il·luminació i els materials han de funcionar des de més d’un angle;
• l’escala importa quan l’escena passa a ser un espai navegable;
• l’exportació ha de conservar prou informació perquè un motor de joc la pugui interpretar.

Blender disposa d’una API de Python precisament per automatitzar operacions sobre escenes. Godot, al seu torn, pot importar escenes de Blender mitjançant el flux glTF. Per tant, la demostració no depèn d’una “màgia” oculta: combina interfícies reals amb la capacitat dels models per escriure i revisar codi.

Primera ronda: el dònut

El dònut és una referència clàssica dels tutorials de Blender i funciona com una prova ràpida de volum, materials i il·luminació. Fable necessita cinc iteracions visuals i GPT-5.6, sis. El presentador considera que tots dos resultats són prou bons i declara un empat.

La conclusió útil no és que cinc intents siguin necessàriament millors que sis. Sense conèixer la complexitat exacta dels scripts, el temps total ni el cost de tokens, el nombre d’iteracions només ofereix una pista. Sí que evidencia, però, que tots dos agents poden arribar de manera autònoma a una escena recognoscible i corregir errors a partir del render.

Segona ronda: reconstruir el menjador dels Simpson

El repte puja de nivell quan els agents reben una imatge del famós menjador. Han d’inferir profunditat, proporcions i colors a partir d’una vista plana. Segons el vídeo, Fable fa un mostreig extens dels píxels abans del primer render i reprodueix millor el sofà i l’aspecte general. GPT-5.6 hi incorpora més objectes i petits detalls.

Tots dos aconsegueixen una escena immediatament identificable, però cap resultat no s’ha de confondre amb una reconstrucció exacta. Una sola imatge no revela què hi ha darrere de la càmera, quina profunditat real tenen els mobles ni com continuen les parets. Els models omplen aquests buits amb inferències. Aquest és un bon exemple de la diferència entre semblança visual i fidelitat geomètrica.

Tercera ronda: convertir el decorat en un espai jugable

L’exportació a Godot posa al descobert errors que un render frontal pot amagar. La referència original funciona com un decorat: no mostra el sostre, les parets posteriors ni les col·lisions. Els agents han de completar l’habitació i preparar-la perquè una persona virtual s’hi pugui moure.

Les dues versions arrenquen i permeten caminar i saltar. Fable conserva millor una escala humana: el sofà, el quadre i el televisor tenen proporcions plausibles. En la versió de GPT-5.6, la càmera queda massa baixa i l’usuari sembla diminut; el televisor també perd coherència quan es mira de costat. Per això el vídeo dona un petit avantatge final a Fable.

Aquesta ronda és la més reveladora. En 3D, un resultat pot semblar correcte des d’una càmera fixa i fallar quan canvia el punt de vista. Escala, gruix, col·lisions i superfícies ocultes són restriccions que obliguen l’agent a construir, no només a imitar.

Què demostra i què no demostra

La prova confirma que els agents de codi multimodals ja poden automatitzar prototips 3D senzills de principi a fi. També suggereix que un artista o desenvolupador podria delegar la primera versió d’un decorat, generar variants o preparar una maqueta navegable amb molta menys feina repetitiva.

No demostra, en canvi, que aquests models substitueixin un professional de Blender o de videojocs. No s’avaluen la topologia, l’optimització, els drets sobre la referència visual, la mantenibilitat dels scripts, el rendiment en temps real ni la consistència després de moltes proves. Tampoc es pot extrapolar un únic duel a totes les tasques o versions dels models.

Conclusions principals

El resultat més important no és qui guanya per un marge petit, sinó el flux complet: una IA escriu codi, una aplicació 3D executa els canvis, el model observa el resultat i torna a actuar. El dònut mostra que tots dos agents dominen una escena bàsica; el menjador evidencia la seva capacitat d’interpretar una referència; i Godot revela els límits físics que un render pot dissimular.

Fable surt lleugerament millor parat perquè resol l’escala i el televisor amb més coherència. GPT-5.6 destaca en la quantitat de detalls. En tots dos casos, la demostració és prometedora per a prototips i exploració creativa, però encara necessita supervisió humana, criteris de qualitat i comprovacions tècniques abans d’entrar en una producció real.