SWE-Game：编程智能体能打造我们想要的游戏吗？
SWE-Game 是一项包含 247 个任务的基准测试，基于 41 款可执行的 Godot 参考游戏，覆盖 13 种 2D 和 3D 游戏类别。它评估五类任务，包括根据简要说明或设计文档开发游戏、完成项目框架、修复故障游戏，以及将项目从 Godot 移植到 Unity。评估内容涵盖游戏机制的正确性、可玩性、修复效果和视觉呈现。在测试的六个模型中，Opus5 在所有任务类型中均取得最高总分。不过，三项游戏构建任务的最高分都低于 100 分中的 60 分；从简要说明构建游戏的最高分为 50.38。常见问题包括遗漏需求和游戏逻辑错误。在人工标注的行为测试中，可执行检查的表现优于基于视频的视觉语言模型评估器。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。