論文の概要: GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine?

• arxiv url: http://arxiv.org/abs/2606.17861v1
• Date: Tue, 16 Jun 2026 12:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.431286
• Title: GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine?
• Title（参考訳）: GameCraft-Bench: エージェントはリアルゲームエンジンでプレイ可能なゲームをエンド・ツー・エンドで構築できるのか?
• Abstract要約: ゲーム生成はゲームエンジン内で行われ、スクリプト、シーン、アセット、レンダリング、実行時インタラクションは共同でコヒーレントなゲームプレイを生成する必要がある。 我々は、完全なゲームアーティファクトを生成する問題として、エンド・ツー・エンドのゲーム生成を形式化する。 我々は、このフレームワークを15のゲームファミリーで140のGodotタスクからなるベンチマークであるGameCraft-Benchとしてインスタンス化する。
• 参考スコア（独自算出の注目度）: 65.42976417627254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Game generation is an emerging application of coding agents, requiring models to transform natural-language specifications into playable interactive systems. Unlike traditional coding tasks, game generation takes place within a game engine, where scripts, scenes, assets, rendering, and runtime interactions must jointly produce coherent gameplay. We formalize end-to-end game generation as the problem of producing a complete game artifact that realizes a specification through observable player-game interaction in a target environment. We argue that evaluating this setting requires three desiderata: Engine Grounding, Artifact Completeness, and Interactive Verification. We propose an interaction-grounded evaluation framework that assesses executable gameplay through replayed demonstrations and rubric-guided multimodal judging. We instantiate this framework as GameCraft-Bench, a benchmark comprising 140 Godot tasks across 15 game families. Evaluations of frontier coding agents show that end-to-end game generation remains highly challenging: the strongest agent achieves only 41.46%, and most agents score below 40%. Further analysis reveals that while agents often implement recognizable mechanics, they struggle to deliver complete games with sufficient content, functional visual feedback, and coherent presentation. See https://tongxuluo.github.io/gamecraft-bench-website for demos, code, and data.
• Abstract（参考訳）: ゲーム生成は、自然言語仕様を再生可能なインタラクティブシステムに変換するモデルを必要とする、コーディングエージェントの新しいアプリケーションである。 従来のコーディングタスクとは異なり、ゲーム生成はゲームエンジン内で行われ、スクリプト、シーン、アセット、レンダリング、実行時のインタラクションは共同でコヒーレントなゲームプレイを生成する必要がある。 目的の環境での観測可能なゲームインタラクションを通じて仕様を実現する完全ゲームアーティファクトを生成する問題として、エンド・ツー・エンドのゲーム生成を形式化する。 この設定を評価するには、エンジングラウンディング、アーティファクト完全性、インタラクティブ検証の3つのデシダータが必要であると我々は主張する。 本稿では,実演とルーリック誘導によるマルチモーダル判定により,実行可能ゲームプレイの評価を行うインタラクショングラウンド評価フレームワークを提案する。 我々は、このフレームワークを15のゲームファミリーで140のGodotタスクからなるベンチマークであるGameCraft-Benchとしてインスタンス化する。 最強のエージェントはわずか41.46%、ほとんどのエージェントは40%以下である。 さらに分析した結果、エージェントは認識可能なメカニクスを実装することが多いが、十分なコンテンツ、機能的な視覚フィードバック、一貫性のあるプレゼンテーションを備えた完全なゲームの提供に苦慮していることが明らかとなった。 デモ、コード、データについては、https://tongxuluo.github.io/gamecraft-bench-websiteを参照してください。

関連論文リスト

• GameXpert-Bench: How Far Are Coding Agents from Expert Game Development? [6.806647989372878]
  最近の大規模言語モデル(LLM)は、自然言語要求から完全なゲームを構築するコーディングエージェントとして動作する。 ゲーム開発は、プログラムロジック、ビジュアルおよびオーディオコンテンツ、インタフェース、インタラクション、プレイ容易性が一つの実行可能アーティファクトで一緒に機能する必要があるため、特に要求がある。 完全な人間エージェント開発軌跡の分析では,コーディングエージェントを用いてゲーム開発のライフサイクルにまたがる3つの段階を同定する。
  論文  参考訳（メタデータ） (2026-08-22T08:05:16Z)
• StatePlay: State-Aware Game World Models for Mechanics-Consistent Generation [53.07918503798731]
  StatePlayは、ビジュアルコンテンツとゲーム状態を予測する新しいステート対応ゲームワールドモデルであり、メカニクスと一貫性のある生成を促進する。 我々の研究は、状態認識型ゲームワールドモデリングの重要性を強調し、完全かつ機械的に忠実なゲーム生成に向けたピクセルレベルのリアリズムを超えて進歩している。
  論文  参考訳（メタデータ） (2026-07-29T10:49:30Z)
• GUI Agents for Continual Game Generation [22.25472214301186]
  ゲーム生成の評価と改善にはプレイヤーが必要であると我々は主張する。 ブラウザベースのゲーム生成タスク200と,期待されるインプレイ動作のルーリックをペアリングする,新たな評価環境であるPlaytestArenaを紹介する。 本稿では,ゲームエージェントとGUIエージェントが共有メモリを持つ持続ループで動作し,ゲーム生成をコーディングとプレイの対話に変換するPlay2Codeを提案する。
  論文  参考訳（メタデータ） (2026-05-27T10:08:48Z)
• OpenGame: Open Agentic Coding for Games [18.670337884754577]
  OpenGameは、エンド・ツー・エンドのWebゲーム作成用に明示的に設計された最初のオープンソースエージェントフレームワークである。 このフレームワークを使用するGameCoder-27Bは、ゲームエンジンのマスタリングに特化したLLMコードである。 OpenGame-Benchは、Build Health、Visual Usability、Intent Alignmentに沿ってエージェントゲーム生成をスコアする評価パイプラインである。
  論文  参考訳（メタデータ） (2026-04-20T15:17:03Z)
• GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
  GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。 2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。 18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
  論文  参考訳（メタデータ） (2026-04-08T17:49:03Z)
• GameDevBench: Evaluating Agentic Capabilities Through Game Development [49.19956546746812]
  ゲーム開発は、エージェントが本質的にマルチモーダル資産を操作しながら大きな密集物をナビゲートしなければならないようなテストベッドを提供する。 本稿では,ゲーム開発タスクにおけるエージェント評価のための最初のベンチマークであるGameDevBenchを紹介する。 エージェントは依然としてゲーム開発に苦戦しており、最高のエージェントは54.5%のタスクしか解決していない。
  論文  参考訳（メタデータ） (2026-02-11T18:15:11Z)
• NitroGen: An Open Foundation Model for Generalist Gaming Agents [101.41866522979548]
  NitroGenは、ジェネラリストゲームエージェントのためのビジョンアクション基盤モデルである。 1000以上のゲームで4万時間のゲームプレイビデオでトレーニングされている。
  論文  参考訳（メタデータ） (2026-01-04T16:24:50Z)
• 90% Faster, 100% Code-Free: MLLM-Driven Zero-Code 3D Game Development [35.877919141619614]
  本稿では,ランナブルな3Dゲームのゼロコード開発を自然言語要求から自動化する,初のエンドツーエンド協調型マルチエージェントフレームワークUniGenを紹介する。 結果として、UniGenはユーザーからのコーディングを必要とせず、開発時間を91.4%削減することでゲーム作成を民主化している。
  論文  参考訳（メタデータ） (2025-09-30T12:14:56Z)
• Playable Game Generation [22.17100581717806]
  本稿では,ゲームデータ生成,自動回帰型DiT拡散モデル,プレイヤビリティに基づく評価フレームワークなどを含むemphPlayGenを提案する。 PlayGenはリアルタイムインタラクションを実現し、十分な視覚的品質を確保し、正確なインタラクティブなメカニクスシミュレーションを提供する。
  論文  参考訳（メタデータ） (2024-12-01T16:53:02Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。