一位开发者创建了一个名为 WorldBuild Bench 的基准测试，用于评估 AI 模型生成连贯 3D 游戏的能力。该基准测试通过让八个模型（包括 Fable 5、Opus 4.8、GPT-5.6、GLM 5.2 和 Grok 4.5）创建三个不同的游戏简报来评估它们：一个竞技场战斗游戏、一个物理谜题和一个赛车游戏。开发者注意到成本差异显著，尽管 Fable 5 生成了一些最强的游戏，但其运行成本却比 GPT-5.6 或 Grok 4.5 昂贵得多。评估通过竞技场形式的盲人偏好评分进行，重点关注整体偏好、游戏体验、世界设计、呈现效果和完整性。 AI
影响 该基准测试可能会揭示大型语言模型在游戏开发等创意和复杂任务方面的能力新见解。
排序理由 该项目描述了一个新的 AI 模型基准测试和评估方法，属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
