The world's first benchmark for long-horizon 3D game generation.

我们的愿景是构建一个真正困难的长程游戏生成 benchmark——不是跑几道简单题，而是让模型在连续多轮的需求中反复构建、修改 Three.js 3D 游戏，同时守住每一轮已经成立的玩法。只有真正强的模型才能撑住这种长程压力。

我们测试的是各家模型在自家 harness 下的最强形态：GLM-5.3 + ZCode、Opus 5 + Claude Code、Kimi K3 + Kimi CLI、GPT-5.6 + Codex、DeepSeek-V4-Pro + DSH、Qwen3.8 正式版 + QoderCLI-CN、MiniMax 新模型 + MiniMax Code、小米新模型 + 小米 CLI。每个组合都是模型 + 自家工具链的天花板。

所有题目从零构建，不存在题目泄露、答案泄露。模型无法靠刷题拿分，只能靠真实能力过关。题库分为开源集和闭源集两部分——闭源集专门防止模型只把开源题库刷熟了、闭源题一窍不通，狠狠打击刷榜选手。

我们希望在大模型评测领域，知名的社区 benchmark 不仅有国外社区做的 Terminal-Bench、SWE-bench、Agent Last Exam，还有纯国内社区发起、做出真正影响力的 3DGameAgentBench。