资讯摘要
论文提出 CEGame-Bench，用于评估智能体在 Defold、Godot、Roblox Studio、Unity、Unreal Engine 五个生产引擎上从空项目与设计文档出发完成整款游戏的能力，单次运行平均最多 295 步、消耗 65M tokens，并由隐藏评估器以真实输入试玩判定是否通过。作者报告：四种脚手架下智能体多能拿到集成分，但玩法分通常不足一半，仅 16% 的运行能到达结局；不同引擎对配置的排序不一致。论文还发布 Game Completion Boost 技能，称可使三个模型的执行评分提升 14.1–24.3 分。
要点速读
- 基准覆盖五个生产引擎，智能体需从空项目和设计文档构建完整游戏，设计文档同时作为验收契约。
- 作者报告智能体集成得分较高但玩法得分通常不足一半，仅 16% 运行到达结局，工程师用编码智能体构建的参考作品接近满分。
- 论文发布 Game Completion Boost 智能体技能，用于需求驱动的试玩与修复，作者称三个模型执行评分提升 14.1–24.3 分。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:06:32（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。