SceneScript coi việc tái tạo 3D là một vấn đề ngôn ngữ hơn là một vấn đề hình học. Mô hình xem một video của một căn phòng và chỉ học cách viết một kịch bản cho nó. Nó tự động phát ra các lệnh văn bản như make_wall(...) hoặc make_bbox(...) để định nghĩa cảnh. Bài báo "Ngôn ngữ Cảnh" mới của Stanford đi xa hơn một bước bằng cách thêm các nhúng CLIP để nắm bắt cả vẻ ngoài hình ảnh. Thực tế là các mô hình ngôn ngữ đã hiểu các mối quan hệ không gian đủ tốt để viết ra các đồ thị cảnh là điều khá điên rồ.