SketchAgentBench – đánh giá LLMs trên khả năng suy luận không gian 3D

Một bức ảnh. Một prompt. Viết code, render, kiểm tra, tinh chỉnh. 11 mô hình, 25 bức ảnh, 275 lần chạy – mỗi lần được chấm điểm dựa trên cảnh 3D cuối cùng.