首个XR编码智能体基准发布，最强模型Pass@1仅50.9%。
资讯摘要
论文提出 GenXR-Bench，称其为首个端到端评估编码智能体开发交互式 XR 应用的基准，含 112 个专家编写任务，覆盖 24 项功能实现、21 个缺陷修复和 67 个应用生成任务。测试结合脚本化与自适应交互及程序化、视觉断言，作者报告其测试套件对 124 个候选应用的盲评一致率达 96.5%。在 10 个模型上评估，最强配置总体 Pass@1 仅 50.9%，失败集中在异步传感器生命周期、物理落地与具身交互语义。
要点速读
- 基准含 112 个专家编写任务：24 项功能实现、21 个缺陷修复、67 个应用生成。
- 作者报告测试套件对 124 个候选应用的盲评一致率为 96.5%。
- 10 个模型中最佳配置总体 Pass@1 为 50.9%，失败多与异步传感器生命周期、物理落地和具身交互语义有关。
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 2026/10/23 08:00:11（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。