UnityBench-Mini3D：用 1,178 条里程碑测试检验 LLM 在 Unity 3D 游戏开发中的真实水平

新基准 UnityBench-Mini3D 用 77 个完整的 Unity 项目级任务和 1,178 条人工编写的里程碑测试，评测大模型智能体（LLM agent）能否真正做出 3D 游戏。结果显示：简单任务平均通过率 80.9%，高难度任务只有 35.2%，总体 57.7%。 在“氛围编程”被反复讨论的当下，让模型写出一段能跑的代码早已不算难题；难的是让它进入 Unity 这类大型引擎环境，把场景、组件和运行时行为都配置正确。UnityBench-Mini3D 正是为衡量这一能力而设计：它不使用主观的模型评审，也不用“任务整体通过或失败”的粗粒度打分，而是在引擎内执行测试，给出可复现、可定位

• UnityBench-Mini3D：用 1,178 条里程碑测试检验 LLM 在 Unity 3D 游戏开发中的真实水平 · arXiv cs.SE