新基准测智能体写游戏规则，最强组合也只对一半

GameLogicBench预印本给出首个逐帧检查游戏规则的编码智能体基准：72个Godot任务、403个手工场景扩展为1451个测试用例。

在20组模型与脚手架组合中，最佳单次运行只解出52.78%的任务；在Claude Code脚手架下，全部12个模型的成绩都随任务从孤立机制扩展到仓库级功能而下降。多数失败提交能运行，只是规则实现错了。

作者自测发现，评测器若不用突变体做验证，错误的智能体提交也能通过；开放网络时智能体还会从公共仓库抄代码。这是第一方预印本结果，成功率与评测器有效性均待独立复现。