SWE-Game:编码智能体造游戏能力基准
一篇 arXiv 论文提出 SWE-Game 基准,包含 247 项任务,基于 41 个可执行的 Godot 参考游戏,覆盖 2D 与 3D 的 13 类玩法,分为五种任务类型:按需求简介生成、按游戏设计文档实现、补全骨架、修复 83 个注入缺陷案例,以及 Godot 到 Unity 的移植。对六个模型的评测中,Opus5 在全部五类任务上总分最高,但三项构建任务的最佳总分均低于 60 分(满分 100),其中 Brief-to-Game 为 50.38 分;作者认为主要问题是需求遗漏与玩法逻辑错误。论文还称,可执行检查在 100 个智能体所造游戏的人工标注行为上达到 92.59% 的平衡准确率,高于基于视频的 VLM 评委的 78.41%,评分细则与人工评分的 Spearman 相关系数为 0.829。
游戏开发是编码智能体的长链条、可自动验证的测试场景,该基准显示现有模型尚难稳定交付符合需求的完整游戏。
Computer Science > Artificial Intelligence
arXiv:2609.33678 (cs)
[Submitted on 27 Sep 2026 (v1), last revised 7 Oct 2026 (this version, v3)]
Title:SWE-Game: Can Coding Agents Build the Games We Want?
Authors:Xiaoyu Chen, Lai Wei, Jin Wang, Xiangyu Zou, Ruochen Fan, Enze Luo, Mingzhe Yao, Jiahui Zhu, Yuhua Wen, Linghe Kong, Weiran Huang
View a PDF of the paper titled SWE-Game: Can Coding Agents Build the Games We Want?, by Xiaoyu Chen and 10 other authors