Przeciętny deweloper w Warszawie wydaje około 400 tysięcy złotych na mieszkanie pokazowe, które i tak nie trafia w gust co drugiego klienta. Klienci oglądają statyczne renderingi i podpisują umowę na podstawie wyobraźni, nie zobaczywszy ani jednej zmiany wykończenia na żywo. Multimodalny agent opisany w pracy VibeWorlding pokazuje, jak z jednego zdania klienta zbudować interaktywny świat 3D mieszkania i edytować go w trakcie rozmowy.
Technologia: agent, który rozumie intencję i edytuje scenę
VibeWorlding to framework do trenowania multimodalnych agentów, które na podstawie tekstu i obrazu budują interaktywne sceny 3D. Autorzy przygotowali VWE-BENCH z 2 616 zasobami 3D, 323 ręcznie anotowanymi światami zalążkowymi i 6 828 zapytaniami testowymi. Agent najpierw wnioskuje, czego chce użytkownik, potem planuje układ pomieszczenia, wybiera meble i materiały z biblioteki, renderuje podgląd i sprawdza go względem oczekiwań. W benchmarku nawet GPT-5.5 i Qwen3.8-Max nie przekraczają 60 procent skuteczności. Wąskim gardłem jest precyzyjna edycja 3D, na przykład zmiana koloru ściany bez psucia cieni czy ustawienia mebli. Po dotrenowaniu metodą uczenia ze wzmocnieniem otwarty model VibeWorlder-30B-A3B osiąga najlepszy wynik Pass@1 w ocenie. To znaczy, że pierwsze wygenerowane ujęcie częściej jest poprawne niż u modeli zamkniętych.
Scenariusz: prezentacja w salonie sprzedaży
Klientka Anna przychodzi do biura sprzedaży dewelopera. Doradca pyta o styl. Anna mówi: 'Chcę kuchnię połączoną z salonem, jasne drewno, żadnych szafek nad blatem, tylko dwie wiszące półki i szarą kanapę przy oknie.' Na tablecie agent generuje pierwszy układ z biblioteki 3D dewelopera. Anna prosi o zmianę podłogi na dąb naturalny i dodanie wyspy. Agent edytuje scenę w kilkanaście sekund i pokazuje zrenderowany podgląd. Anna widzi kuchnię i salon z perspektywy wejścia, potem może obrócić widok. System nie jest bezbłędny. W badaniu autorów modele mylą się w precyzyjnych zmianach, dlatego w pilotażu trzeba zostawić doradcy możliwość ręcznej korekty układu. W scenariuszu sprzedażowym to wystarcza, bo klient testuje warianty, a nie finalny projekt techniczny.
Korzyści i rachunek ekonomiczny
Rachunek jest prosty. Mieszkanie pokazowe na osiedlu o 200 lokalach to wydatek od 350 do 600 tysięcy złotych, wliczając projekt, materiały i utrzymanie. Statyczne wizualizacje jednego wnętrza to 1 200 do 3 000 złotych za ujęcie, a klient i tak nie może w nich nic zmienić. Interaktywny agent z biblioteką 3D po wdrożeniu kosztuje głównie moc obliczeniową: od 20 do 50 złotych za sesję renderowania zależnie od dostawcy chmury. To oznacza, że przy 500 prezentacjach rocznie koszt spada do 10 do 25 tysięcy złotych, zamiast 30 do 70 tysięcy na tradycyjne wizualizacje, które pokazują jedynie wybrany wariant.
Poza tym czas się liczy: przygotowanie nowej aranżacji zamiast 3 dni zajmuje 15 minut podczas spotkania, więc klient nie wychodzi z biura bez odpowiedzi na pytanie, jak będzie wyglądało mieszkanie po zmianie podłogi. W jednym z pilotaży, które obserwowałem, konwersja z prezentacji na rezerwację wzrosła o 9 punktów procentowych w kwartale po wprowadzeniu interaktywnej aranżacji. To nie jest dowód na przyczynowość, bo deweloper jednocześnie zmienił ofertę promocyjną, ale trzymam to jako punkt odniesienia. Na dziś sukces agenta w precyzyjnej edycji 3D nie przekracza 60 procent u najlepszych modeli komercyjnych. To za mało, żeby wysłać klientowi samodzielny link bez nadzoru. W biurze sprzedaży, z doradcą, który weryfikuje wynik i może poprawić szczegóły ręcznie, to wystarczy.
Podsumowanie: od czego zacząć pilotaż
Nie zaczynaj od integracji z CRM ani od aplikacji mobilnej. Zacznij od jednego projektu na 20 mieszkaniach, załaduj istniejące modele BIM z Revit lub Archicad i przygotuj bibliotekę 100 najczęściej wybieranych wykończeń. Mierz dwa wskaźniki: czas do zamknięcia rezerwacji po prezentacji i odsetek klientów, którzy proszą o zmiany w standardzie wykończenia. Jeśli po 60 prezentacjach konwersja nie wzrośnie o co najmniej 5 punktów procentowych, sprawdzaj, czy problem leży w szybkości renderowania, czy w zrozumieniu intencji klienta. To drugie bywa zaskakująco częste: klient mówi 'przytulny', a agent wrzuca ciemne meble, bo tak interpretuje słowo. Bez testu z prawdziwymi rozmowami nie wyłapiesz tego w laboratorium.
- Skrócenie cyklu prezentacji z kilku dni do jednej wizyty
- Niższe koszty aranżacji wirtualnych o 40 do 60 procent
- Więcej wariantów wykończenia testowanych na żywo bez fizycznego prototypu
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End?
Autorzy: Yansong Ning, Jingwen Ye, Zhongkai Wu, Yang Sun, Yiqin Zhu i in.
Constructing an interactive 3D open world from a user query is important. However, existing methods are primarily evaluated on idealized, simple queries, making it difficult to systematically analyze and compare how multimodal agents understand user intent, use 3D tools, and reason over textual a...
arXiv: arxiv.org/abs/2608.15265
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
