GenXR-Bench 发布：首个 XR 编码代理评测基准

研究者发布 GenXR-Bench，称这是首个端到端评估编程智能体开发交互式 XR 应用能力的基准，包含 112 个专家编写任务（24 项功能实现、21 项 Bug 修复、67 项应用生成）。 基准的测试套件针对 124 个在消费级 XR 硬件上运行的应用，与盲评专家判断的一致性达 96.5%。对 10 个模型的评测显示，最强配置 Pass@1 仅为 50.9%，失败集中在异步传感器生命周期、物理接地与具身交互语义。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。