PhotoFlow：代理 3D 虚拟摄影任务

虚拟摄影要求代理进入准备好的 3D 场景，无需预先选择相机姿势或参考图像，从场景信息和语言意图推断合适的镜头，选择可执行的相机参数，并渲染最终照片。视觉语言模型的最新进展使这种空间代理变得越来越可信，但该任务强调了两种仍然难以一起评估的能力：复杂的 3D 空间理解和抽象的审美判断。我们引入了 PhotoFlow，一个用于闭环摄像机搜索的导演-审阅者-反射器代理。导演构建软摄影蓝图并提出多样化的候选相机；评审员结合了规则检查、视觉批评和成对现任选择； Reflector将故障转化为区域记忆、死区抑制和高探索重定位。我们还推出了 VPhotoBench，它是 47 个开放许可 Blender 场景和 141 个语言条件摄影任务的基准，涵盖主题放置、关系构图和氛围/风格。在进行的实验中，PhotoFlow 在六轮渲染预算下的单次预测、单链反射、锚库选择和随机搜索中实现了最强的外部质量对齐组合和成功率。据我们所知，这是第一个将任意 Blender 场景中的语言条件虚拟摄影作为可执行代理任务的工作，我们的结果表明，以 LLM 为中心的空间代理已经可以在旨在挑战 3D 推理和审美选择的环境中生成强大的照片。