PacBench：GPT-6.1 Terra 单页 Pac-Man 生成测试

一句话结论

PacBench 记录的这次 Codex 高推理档运行得分 84/100，耗时 5 分 25 秒、计价 $0.19097；可复核单次交付，不代表模型整体能力。

适用场景

• 适合判断的任务：按单条提示生成单文件 Pac-Man 游戏，并检查操控、鬼怪逻辑、卡死、迷宫和音效。

• 不适合外推的任务：其他编码任务、重复运行的稳定性、不同 harness 间的速度或成本排名。

• 适用的模型版本：gpt-6.1-terra（requested 与 actual 相同）。

• 测试环境或客户端：Codex CLI codex exec --ephemeral --json，API key 认证；空白 git cell。

• 推理档位和参数：high；禁用 web search，未指定 sandbox 或 search 参数。CLI 曾记录本地模型元数据缺失并使用 fallback metadata；执行参数仍指定 gpt-6.1-terra。

测评方法

仓库公开的提示要求模型独立完成单个自包含 HTML 游戏，不使用网络或外部依赖；需支持键盘操控、迷宫与豆子、四种鬼怪、能量豆、计分、生命、关卡、暂停和开始／结束状态。公开站点还展示了更短的任务概述。原始完整提示见仓库提示文件。

评分由 Opus 5.5 对站内游戏进行 90 秒自动游玩，并结合源码和迷宫审查；基础权重为操控 20、鬼怪 25、卡死 20、迷宫 20、音效 15。站点注明后续规则会调整轻微操控／音效问题，并加入街机视觉相似度及额外功能评分，最高 100 分。Terra 的记录分别为操控轻微问题、音效轻微问题，其余三项通过。评分说明标注评审日期为 2026-09-28，早于 Terra 条目标注的 2026-10-26；站点未解释该日期与 Terra 分数的关系。

关键结果

Terra 的检查记录称：箭头键、WASD、暂停和触屏方向键可用；没有转角控制、滑动或重启键，游戏结束后焦点按钮可能令空格／回车触发重开；长按方向键会重复操作。四鬼策略、固定步进和经典 28×31 迷宫检查通过，244 个豆子均可达。音效包含吃豆、能量豆、死亡、奖励和过关等音效，但缺少原版开场曲、警笛与受惊鬼怪循环音。

原始数据

• 运行标识：gpt-6.1-terra-api；Phase 1；requested 与 actual 均为 gpt-6.1-terra。

• 令牌：输入 272,880，其中缓存读取 237,061、缓存写入 35,786；输出 26,871，其中推理 8,327；总计 299,751。站点注明推理令牌包含在输出令牌内。

• 计价口径：Terra 成本按 OpenAI Standard 短上下文费率计算：每百万未缓存输入 $1、缓存读取 $0.05、缓存写入 $1.25、输出 $5。Ephemeral 执行只记录整轮聚合用量，没有逐响应明细；站点称没有单个请求超过长上下文门槛，未计区域加价。

• 输出检查：来源提供可运行的单 HTML 游戏及逐项评分说明；本文转述检查记录，未自行重新玩测。

• 对照行：Grok 4.7 条目标注同为 high effort，但 harness 为 Grok Build；其计价口径未在该条目说明。两者得分与计量不应视作严格控制变量的模型对照。

结论与边界

这份公开记录可以复核 Terra 的输入要求、执行设置、游戏产物、单次用量和评分理由。它也显示 Terra 与 Grok 4.7 在该榜单上的相邻分数，但 harness、实际执行和计价来源不同；单次运行不能证明模型间的普遍速度、成本或代码能力差异。评分还依赖站点制定的游戏规则及模型评审。

复现说明

仓库提供提示、评分说明、Playwright 自动试玩代码、评分元数据及游戏 HTML。复现需按同一 harness、模型版本、推理档位和费率重跑，并重新执行自动试玩及源码／迷宫审查；API 用量与成本可能随运行变化。原始运行记录未公开完整逐响应 transcript。