IGMWorld 基准测试显示 Agent 在深度干预可执行游戏世界时可靠性随干预深度下降

该论文提出“世界编辑”概念，定义为在保留原有属性前提下对现有可执行世界进行干预，并引入“干预深度”轴来描述编辑对实体、动态和系统的耦合强度。作者构建了 IGMWorld 框架及包含 110 个任务的 IGMBench 基准，覆盖 Minecraft 和 Terraria 中的属性、实体、动态及系统级干预，评估标准包括确定性可执行性、行为表现、属性保留和视觉检查。

实测数据显示，当前前沿编码智能体在严格任务级标准下解决率为 78.2%，准则级性能达 94.8%，但可靠性随干预深度增加而显著降低，且这一趋势在评估准则数量相似的任务中依然成立。尽管大多数失败案例仍能成功构建和加载，表明核心难点在于使编辑后的世界按预期运行而非代码语法错误。此外，所有配置在联合视觉通过率上均低于 50%，说明视觉一致性仍是独立短板。

事实层面，世界编辑被证实为区别于世界生成和交互的独立能力，可执行游戏提供了有效的测试环境。推断层面，随着 Agent 从生成转向编辑，工程重点将从代码生成转向状态验证与系统动力学约束。猜测层面，若无法解决深度干预下的行为一致性问题，Agent 在复杂模拟环境中的长期自主性将受限。