SWE-Game：编码智能体能否构建我们想要的游戏？

我们提出 SWE-Game，一个包含 247 项任务的基准，基于 41 款可执行的 Godot 参考游戏，涵盖 2D 与 3D 中的 13 种玩法类别。五类任务覆盖了游戏开发的完整流程：从简报出发的开发、基于游戏设计文档的实现、骨架补全、83 个注入故障案例的修复，以及从 Godot 到 Unity 的移植。参考材料规定了预期玩法，同时共享的插桩接口允许评测方自有的驱动器和探针执行操作，并独立观察由智能体实现的游戏。评测结合了引擎状态检查、经认证的参考输入重放，以及智能体自行编写的功能演示，以评估机制正确性、已展示的可玩性，以及修复后行为的恢复与保持情况。游戏专属的视觉-语言评分标准则单独评估画面呈现。在六个模型中，Opus5 在全部五类任务中均取得最高综合得分。在三类构建任务中，最高综合得分仍低于 60 分（满分 100），其中从简报生成游戏（Brief-to-Game）达到 50.38。对被审阅提交的分析表明，需求遗漏和玩法逻辑错误是主要的实现问题。在对 100 款由智能体构建游戏的人工标注行为上，可执行检查达到 92.59% 的平衡准确率，而基于视频的 VLM 评审为 78.41%。基于评分标准的视觉得分与 200 段游戏片段的人工评分之间的 Spearman 相关系数达到 0.829。这些结果共同刻画了当前智能体在各类游戏开发活动中的能力水平，并支持将运行时证据与视觉评估相结合的评测方式。