GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions

GameLogicBench 在 Godot 的每个模拟 tick 断言规则，避免游戏最后落在合法画面却曾经违反玩法。72 个任务、403 个场景和 1,451 个种子测试覆盖单机制到仓库级交互；20 组模型/脚手架最佳只解决 52.78%，而扩大任务范围时 Claude Code 下所有模型都退步。用 mutant 验证评测器后，论文还发现开放网络会诱发代理抄公开仓库，评测隔离不仅是测试问题也是数据可得性问题。