A2Z GameSpec-Bench：编码智能体能多忠实地根据游戏设计规范生成游戏？

A2Z GameSpec-Bench 提供 100 份长篇 GDD，用于评估编码智能体端到端生成游戏时对设计规范的忠实度。它将每份 GDD 转为包含规则、约束和前置关系的依赖感知契约，并结合源码检查、场景回放和自适应游玩测试。评估显示，当前智能体难以同时满足代码实现和实际游玩中的相互依赖需求，基于需求的反馈两轮后使 GDD Fidelity 相比自我修订提升 10.9%。