3D 设计、城市分析和规则学习都要求在环境反馈中迭代。
贡献规范、证据拓扑和诊断前置题让失败可定位。
UI 工程、空间预测和事实核验拆开“看起来对”与“真的对”。
可执行环境正在成为高质量 Benchmark 的标配，评分也从最终结果走向过程与结构。BrickBench、DUDA-Bench 与 Learn2Play 让 Agent 在环境反馈中迭代；SWE-CC、TopoGraphRAG 与 SAVU-Bench 则审计轨迹、证据拓扑与前置失败。
Atomic Tasks + Deterministic Verifiers + Trace Audits
按研究价值、评测创新和可借鉴程度综合排序
300 个文本驱动 LEGO 设计任务；联合评估可建造性、语义对齐和设计质量。
300 个 prompts，覆盖 Model、Set 与 Alt-Build 三种设置。
结合连接、碰撞和稳定性检查、VQA 语义对齐与人工偏好验证的 Elo。
使用环境时领先 Agent 几乎均能生成有效装配，最好满足约 95% 语义要求。
把可执行程序、物理对象和多轴验证连成闭环。
硬约束先验收、软质量再排序，并返回可定位失败。
182 个真实场景、3,862 题、16 类任务；测试从观察、空间变换到不可见结果推断。
182 个真实场景、3,862 道题、16 类任务，评测 21 个模型。
按静态感知、局部预测和全局预测分层报告准确率。
最佳模型 58.0%，人类 87.2%；合成数据微调可达 65.7%。
将空间状态更新和不可见结果预测拆成可诊断层级。
Anchor/bridge views、分层任务与人类/随机基线。
把仓库贡献规范转为 823 条机器可检政策，并审计 500 个 SWE-bench Verified 扩展任务。
12 个开源仓库、823 条原子政策、500 个端到端贡献任务。
用确定性 checker 同时审计运行轨迹与最终产物。
即使功能正确，Agent 仍违反 43.1% 的适用政策，近半发生在中间步骤。
补上 Coding Agent 从解题到可合并贡献的关键缺口。
Atomic policy、过程审计和功能/合规双指标。
12 城市、5 类问题，含 86 个原子任务与 22 个端到端工作流。
86 个 atomic tasks、22 个 workflow tasks，跨 4 个分析阶段。
分别报告识别、定位、指标 F1、Workflow Score 与成本。
最佳 Workflow Score 仍不足 0.3。
高质量展示如何把专家分析流程翻译成层级 Agent 任务。
Atomic/workflow 双层设计、证据传播与成本记录。
2,861 个生产设计、97,652 条专家标注；评需求推断、约束实现和 React 生成。
2,861 个设计、183,697 个图层、97,652 条标注；公开评测子集 421 个设计。
拆分 requirement prediction、code implementation 与 visual fidelity。
揭示视觉复刻好并不等于工程实现正确。
需求、约束与视觉三轴评分，并显式标注可替代实现。
201 份长文档、2,024 题；显式控制单跳、桥接链和多源综合三类证据拓扑。
201 份视觉丰富长文档、2,024 道问题、3 类证据拓扑。
同时评分检索、答案、faithfulness 与 topology-aware step coverage。
从召回相关页推进到恢复和组织完整证据路径。
保存 gold topology，并用反事实替换检查捷径。
1,066 道主榜题与 611 道诊断题，覆盖感知、对齐、推理 3 层 7 项任务。
主榜 1,066 题、诊断集 611 题，含 81 道空间推理题。
用同场景 grounding 与 alignment 前置题定位高层推理失败来源。
真实空间音频仍是多模态模型的重要短板。
Prerequisite graph、语义/空间负例分离与专家一致性门槛。
1,274 对来源对齐的真/假图像，测试开放世界事实一致性。
1,274 对 real–fake 图像，覆盖 4 种核验机制和 10 个领域。
用 pair accuracy 要求同一对真图与假图都判对，并抑制标签偏置。
把图像检测从纹理和图内合理性扩展到现实世界一致性。
成对样本、单一可核验冲突与显式证据状态。