SWE-Game评测编码代理开发游戏能力

Xiaoyu Chen等作者提出SWE-Game基准，并在六个模型上评测编码智能体的游戏开发能力；论文摘要称，Opus5在五类任务中总体得分均最高，但三类构建任务的最佳得分仍低于60/100，其中简述生成游戏为50.38分。 该基准基于41个可执行的Godot参考游戏，包含13类2D、3D玩法和247个任务，覆盖按简述开发、按设计文档实现、补全项目骨架、修复83个注入故障案例及从Godot移植至Unity。评测结合引擎状态检查、认证参考输入回放和代理自行编写功能演示，检查机制正确性、展示的可玩性，以及修复后的行为恢复与保留情况。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。