WebGameBench

新基准测试编码代理的浏览器游戏创建能力

研究人员推出了 WebGameBench，这是一个旨在评估编码代理根据规范创建功能性浏览器游戏能力的新基准。该基准侧重于交付的应用，而不仅仅是源代码，评估代理是否能将冻结的规范转化为可玩的游戏。对 12 个代理和 111 个任务进行的初步测试表明，尽管最好的代理实现了 76.9% 的可用率，但只有 20.2% 被评为优秀，这凸显了基本功能与完全满足需求之间的差距。