arXiv 2026年10月7日该工作构建了 PlaySuite 基准，从 PyWeek 与 itch.io 筛选出 5,734 款开源游戏，配套统一的闭环交互框架、面向 HPC 集群的批量执行与 Video-LLM-as-a-judge 里程碑评分协议，并在 5,630 款 itch.io 与 104 款 PyWeek 游戏上评测 14 个开放权重模型（VLM、CUA、VLA），结果显示模型仅在少数游戏上取得有意义进展，无历史条件下 Qwen3-Omni 在 itch.io 与 PyWeek 的平均进度分最高（0.84 与 1.26），至少达到 Partial 的比例分别为 19.5% 与 37.0%，并伴随空间定位、动作执行与自我纠正等反复出现的失败。该工作构建了 PlaySuite 基准，从 PyWeek 与 itch.io 筛选出 5,734 款开源游戏，配套统一的闭环交互框架、面向 HPC 集群的批量执行与 Video-LLM-as-a-judge 里程碑评分协议，并在 5,630 款 itch.io 与 104 款 PyWeek 游戏上评测 14 个开放权重模型（VLM、CUA、VLA），结果显示模型仅在少数游戏上取得有意义进展，无历史条件下 Qwen3-Omni 在 itch.io 与 PyWeek 的平均进度分最高（0.84 与 1.26），至少达到 Partial 的比例分别为 19.5% 与 37.0%，并伴随空间定位、动作执行与自我纠正等反复出现的失败。PlaySuite 用 5,734 款开源游戏评测 14 个开放模型，发现感知与行动之间存在明显落差该工作构建了 PlaySuite 基准，从 PyWeek 与 itch.io 筛选出 5,734 款开源游戏，配套统一的闭环交互框架、面向 HPC 集群的批量执行与 Video-LLM-as-a-judge 里程碑评分协议，并在 5,630 款 itch.io 与 104 款 PyWeek 游戏上评测 14 个开放权重模型（VLM、CUA、VLA），结果显示模型仅在少数游戏上取得有意义进展，无历史条件下 Qwen3-Omni 在 itch.io 与 PyWeek 的平均进度分最高（0.84 与 1.26），至少达到 Partial 的比例分别为 19.5% 与 37.0%，并伴随空间定位、动作执行与自我纠正等反复出现的失败。该工作构建了 PlaySuite 基准，从 PyWeek 与 itch.io 筛选出 5,734 款开源游戏，配套统一的闭环交互框架、面向 HPC 集群的批量执行与 Video-LLM-as-a-judge 里程碑评分协议，并在 5,630 款 itch.io 与 104 款 PyWeek 游戏上评测 14 个开放权重模型（VLM、CUA、VLA），结果显示模型仅在少数游戏上取得有意义进展，无历史条件下 Qwen3-Omni 在 itch.io 与 PyWeek 的平均进度分最高（0.84 与 1.26），至少达到 Partial 的比例分别为 19.5% 与 37.0%，并伴随空间定位、动作执行与自我纠正等反复出现的失败。