{"id":97874,"date":"2026-09-24T18:34:28","date_gmt":"2026-09-24T15:34:28","guid":{"rendered":"https:\/\/twodots.gr\/?p=97874"},"modified":"2026-09-24T18:34:29","modified_gmt":"2026-09-24T15:34:29","slug":"gameexpert-bench-ai-kodirajuci-agenti-razvoj-igara","status":"publish","type":"post","link":"https:\/\/twodots.gr\/hr\/gamexpert-bench-ai-coding-agents-game-development\/","title":{"rendered":"GameXpert-Bench: za\u0161to AI koji pi\u0161e kod jo\u0161 nije studio za igre"},"content":{"rendered":"<div class=\"td-article-lede\">\n<p><strong>Odgovor prvo:<\/strong> GameXpert-Bench pokazuje da AI kodiraju\u0107i agent mo\u017ee brzo proizvesti igrivu igru, ali to ga ne pretvara u autonomni studij za igre. Zakleta je stvar otkrivanje skrivenih nedostataka, provjera ispravnog pona\u0161anja tijekom izvo\u0111enja, otklanjanje problema bez uvo\u0111enja regresija i odr\u017eavanje koherentnosti proizvoda kroz uzastopne promjene.<\/p>\n<p>Za softverske timove, agencije i tvrtke, pouka se\u017ee izvan svijeta igara. Izgradnja koja se pokrene, uvjerljiv snimak zaslona ili velik broj izmijenjenih redaka koda ne dokazuju da proizvod radi. Potrebni su izvr\u0161ni kriteriji prihva\u0107anja, testovi pona\u0161anja, regresijske kontrole i jasna \"definicija gotovog\". Referentna to\u010dka je predprinta, a njezine se figure trebaju tuma\u010diti u kontekstu specifi\u010dne postavke evaluacije, a ne kao jamstvo spremnosti za proizvodnju.<\/p>\n<\/div>\n<div class=\"td-article-toc\">\n<div class=\"td-toc-title\">Sadr\u017eaj<\/div>\n<ul>\n<li><a href=\"#ti-metra-gamexpert-bench\">\u0160to mjeri GameXpert-Bench?<\/a><\/li>\n<li><a href=\"#tria-tracks-kyklos-anaptyxis\">Tri staze koje pokrivaju cijeli razvojni ciklus<\/a><\/li>\n<li><a href=\"#gamegen-playable-prototype\">GameGen: od praznog radnog prostora do igrivog prototipa<\/a><\/li>\n<li><a href=\"#completeness-richness\">Jaz izme\u0111u potpunosti i bogatstva<\/a><\/li>\n<li><a href=\"#gamefix-diagnosi-episkevi\">GameFix: dijagnosticiranje i popravak \u0161irokog spektra bugova<\/a><\/li>\n<li><a href=\"#fail-pass-regressions\">Neuspjeh pri prijelazu i prijelaz pri prijelazu bez regresija<\/a><\/li>\n<li><a href=\"#self-discovery-dyskoli-deksiotita\">Za\u0161to je samootkrivanje posebna vje\u0161tina<\/a><\/li>\n<li><a href=\"#gameopt-exi-gyroi\">GameOpt: \u0161est rundi bez gubitka proizvoda<\/a><\/li>\n<li><a href=\"#ti-simainei-gia-epicheiriseis\">\u0160to nalazi zna\u010de za tvrtke?<\/a><\/li>\n<li><a href=\"#elegxomeni-aftonomia\">Kontrolirana autonomija, a ne slijepa brzina<\/a><\/li>\n<li><a href=\"#epta-vimata-yiothetisis\">Sedam koraka do sigurne posvojenja<\/a><\/li>\n<li><a href=\"#periorismoi-symperasma\">Ograni\u010denja i prakti\u010dni zaklju\u010dci<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"ti-metra-gamexpert-bench\">\u0160to mjeri GameXpert-Bench?<\/h2>\n<p>GameXpert-Bench je benchmark temeljen na izvr\u0161avanju za agente za kodiranje umjetne inteligencije u razvoju igara. Umjesto da ispituje samo kona\u010dni kod ili stati\u010dku sliku, on procjenjuje je li igra stvorena, popravljena i pobolj\u0161ana kao izvr\u0161na artefakt. Logika, renderiranje, kontrole, su\u010delje, zvuk i prijelazi stanja moraju sve zajedno raditi kada stvarni korisnik interagira s proizvodom.<\/p>\n<p>Ova je razlika klju\u010dna. Gumb mo\u017ee postojati u DOM-u, ali mo\u017eda ne\u0107e pokrenuti ispravan doga\u0111aj. Mehanizam se mo\u017ee pojaviti u kodu, ali mo\u017eda ne\u0107e biti dostupan. Popravak mo\u017ee pro\u0107i odre\u0111eni test, a istovremeno pokvariti susjednu funkciju. Iz tog razloga studija dodjeljuje kredit samo kada postoji prihvatljiv dokaz iz pona\u0161anja izvr\u0161ne igre.<\/p>\n<p>Ovaj je pristup povezan s \u0161irim problemom u razvoju umjetne inteligencije: <a href=\"https:\/\/twodots.gr\/kryfo-kostos-ai-coding-output-rework\/\">Skriveni tro\u0161kovi AI kodiranja kada je potrebno ponovno napisati izlaz<\/a>. Brzina proizvodnje ima smisla samo ako tim mo\u017ee razlikovati potpuno funkcionalan sustav od uvjerljive, ali nefunkcionalne implementacije.<\/p>\n<aside class=\"td-article-note\"><strong>Ograni\u010denje ra\u010duna:<\/strong> Rad je objavljen kao arXiv preprint 22. kolovoza 2026. Rezultati se odnose na specifi\u010dne modele, okvire agenata, upite, igre i evaluatore verzije v1 i zahtijevaju neovisnu replikaciju.<\/aside>\n<h2 id=\"tria-tracks-kyklos-anaptyxis\">Tri staze koje pokrivaju cijeli razvojni ciklus<\/h2>\n<p>Autori su analizirali potpune trajektorije \u010dovjek\u2013agent i identificirali tri ponavljaju\u0107e faze: stvaranje, dijagnostiku i popravak te vi\u0161ekrugnu optimizaciju. Referentni model pretvara ih u tri komplementarna traga. <strong>IgraGen<\/strong> Po\u010dinje s uputama na prirodnom jeziku i praznim radnim prostorom. <strong>Popravak igre<\/strong> Po\u010dinje s ljudski provjerenim igrama koje sadr\u017ee kontrolirane mutacije. <strong>IgraOpt<\/strong> Oslanja se na rezultate prethodne runde i procjenjuje mogu li se novi zahtjevi uklju\u010diti bez ugro\u017eavanja postoje\u0107e funkcionalnosti.<\/p>\n<p>Ovo nije jednostavna linearna cijev. Optimizacija mo\u017ee otkriti novu gre\u0161ku, a popravak mo\u017ee zahtijevati ponovnu procjenu glavne petlje. Prakti\u010dna vrijednost ovog dizajna le\u017ei u \u010dinjenici da razlikuje sposobnosti koje se \u010desto brkaju: proizvodnju koda, otkrivanje problema, verifikaciju pona\u0161anja i odr\u017eavanje kvalitete tijekom vremena.<\/p>\n<div class=\"td-comparison td-comparison-cards td-comparison-cards--horizontal\">\n<div class=\"td-comparison-grid td-comparison-grid--three\">\n<div class=\"td-platform-card\">\n<p class=\"td-comparison-title\">IgraGen<\/p>\n<p>Agent stvara potpuno funkcionalnu igru nativnu za preglednik na temelju kratkog opisa, bez potrebe za predlo\u0161cima, resursima ili odre\u0111enim pogonom.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">97 utakmica<\/span><span class=\"td-badge\">11 \u017eanrova<\/span><\/div>\n<\/div>\n<div class=\"td-platform-card\">\n<p class=\"td-comparison-title\">Popravak igre<\/p>\n<p>Agent otkriva i popravlja reverzibilne nedostatke, bilo da su izri\u010dito navedeni ili su skriveni objektivni bugovi.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">100 zadataka<\/span><span class=\"td-badge\">19\u201327 gre\u0161aka<\/span><\/div>\n<\/div>\n<div class=\"td-platform-card td-platform-card--navy\">\n<p class=\"td-comparison-title\">IgraOpt<\/p>\n<p>Agent \u0161alje \u0161est uzastopnih zahtjeva za isti proizvod u razvoju i ocjenjuje se na zamrznutoj kona\u010dnoj verziji.<\/p>\n<div class=\"td-badge-row\"><span class=\"td-badge\">17 lanaca<\/span><span class=\"td-badge\">701 kriterija<\/span><\/div>\n<\/div>\n<\/div>\n<\/div>\n<h2 id=\"gamegen-playable-prototype\">GameGen: od praznog radnog prostora do igrivog prototipa<\/h2>\n<p>GameGen obuhva\u0107a 97 razli\u010ditih igara u 11 \u017eanrova. Pedeset tri su 2D, a 44 zahtijevaju 3D renderiranje. Svaki agent dobiva samo nacrt dizajna, bez unaprijed izgra\u0111enog projekta, multimedijalnih resursa ili propisanog tehnolo\u0161kog stoga. Moraju sami odabrati alate i izraditi sve datoteke potrebne za samostalnu igru u pregledniku.<\/p>\n<p>Ocjenjivanje je podijeljeno na \u010detiri dimenzije jednake te\u017eine. 'Kompletnost' mjeri osnovne doga\u0111aje sa\u017eetka. 'Bogatstvo' mjeri dodatne funkcionalne mehanizme i sadr\u017eaj. 'Vizualna kvaliteta' ispituje estetiku, preklapanja, zaklanjanja, preljev i geometrijske sudare. 'Iskustvo igra\u010da' procjenjuje odzivnost, igrivost i cjelokupni dojam interakcije.<\/p>\n<p>Radi potpunosti i temeljitosti, evaluator kombinira pregled koda s interakcijom u\u017eivo. Identificira relevantnu logiku, dolazi do potrebnog stanja, pokre\u0107e doga\u0111aj i provjerava rezultat. Na taj na\u010din isklju\u010duje la\u017eno pozitivne rezultate kada kod izgleda ispravno, ali se ne izvr\u0161ava. Ova provjera slu\u017ei kao podsjetnik za\u0161to <a href=\"https:\/\/twodots.gr\/ai-benchmark-harness-allazei-nikiti\/\">Evaluacijski harness mo\u017ee promijeniti pobjednika AI benchmarka.<\/a>: metoda verifikacije \u010dini dio sustava mjerenja.<\/p>\n<h2 id=\"completeness-richness\">Jaz izme\u0111u potpunosti i bogatstva<\/h2>\n<p>U GameGenu je procijenjeno 15 varijanti modela na svih 97 zadataka, \u0161to je rezultiralo s 1.455 pokretanja modela-igre i 43.081 ishodom na razini doga\u0111aja. Najbolji ukupni rezultat bio je 79,7 od 100. Me\u0111utim, prosje\u010dna cjelovitost svih modela iznosila je 77,5, dok je bogatstvo ostalo na 46,1. Iskustvo igra\u010da bilo je 61,5, a vizualna kvaliteta 68,2.<\/p>\n<p>Ovo ne zna\u010di da se AI modeli ne mogu koristiti za stvaranje igara. Zna\u010di da je igrivi sadr\u017eaj \u010de\u0161\u0107e rezultat bogatog, kohezivnog proizvoda. Prototip mo\u017ee brzo dokazati koncept, ali iskustvo spremno za produkciju zahtijeva dubinu sadr\u017eaja, stabilan su\u010delje, obradu iznimnih slu\u010dajeva, testiranje i dotjerivanje. Razlika je sli\u010dna prijelazu od demo verzije kodirane atmosferom do <a href=\"https:\/\/twodots.gr\/lovable-vibe-coding-prototype-epicheirimatiki-platforma\/\">poslovna platforma sa zahtjevima iz stvarnog svijeta<\/a>.<\/p>\n<div class=\"td-chart td-chart--metrics\">\n<div class=\"td-chart-head\">\n<p class=\"td-chart-kicker\">Skala procjene<\/p>\n<p class=\"td-chart-title\">\u010cetiri broja koja otkrivaju cijeli ciklus<\/p>\n<p class=\"td-chart-intro\">Rezultati su preuzeti iz GameXpert-Bench v1 i odnose se na razli\u010dite staze, a ne na jedan ukupni rezultat.<\/p>\n<\/div>\n<div class=\"td-metric-grid\">\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">97<\/span><span class=\"td-metric-label\">Zadaci GameGena iz praznog radnog prostora<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">100<\/span><span class=\"td-metric-label\">Popravci GameFixa po pokretanju<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">102<\/span><span class=\"td-metric-label\">GameOpt zahtjevi u vi\u0161e od \u0161est rundi<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">701<\/span><span class=\"td-metric-label\">Kriteriji prihva\u0107anja i regresije<\/span><\/div>\n<\/div>\n<p class=\"td-chart-source\">Izvor: GameXpert-Bench, arXiv 2608.21833 v1.<\/p>\n<\/div>\n<h2 id=\"gamefix-diagnosi-episkevi\">GameFix: dijagnosticiranje i popravak \u0161irokog spektra bugova<\/h2>\n<p>GameFix se temelji na 50 povjerljivih, ljudski provjerenih Gold Game razina. Istra\u017eiva\u010di uvode izme\u0111u 19 i 27 bugova po razini koriste\u0107i reverzibilne mutacijske operatore, pritom odr\u017eavaju\u0107i to\u010dnu inverznu zlatnu zakrpu za svaki nedostatak. Svaka se razina ocjenjuje jednom uz eksplicitan izvje\u0161taj o problemu i jednom s skrivenim ciljnim gre\u0161kama, \u0161to rezultira 100 zadataka popravka po izvr\u0161enju.<\/p>\n<p>Taksonomija obuhva\u0107a sedam dimenzija i 61 podkategoriju: osnovnu igru, meta-sustave, dizajn korisni\u010dkog su\u010delja, umjetni\u010dki dizajn, probleme tijekom izvo\u0111enja i testiranja, dizajn razina i dizajn ravnote\u017ee. Veliki broj bugova se ne smatra rutinskim proizvodnim incidentom. To je test optere\u0107enja za dugoro\u010dno pona\u0161anje: mo\u017ee li agent ponovno dijagnosticirati, ure\u0111ivati i testirati, samostalno otkloniti to\u010dke kvara i izbje\u0107i prijevremeno prekidanje.<\/p>\n<p>Inverzna zlatna zakrpa koristi se tijekom izrade za provjeru postavke testa, a ne kao jedino dopu\u0161teno rje\u0161enje. Tijekom bodovanja svaka ispravka dobiva bodove kada se opa\u017eano pona\u0161anje vrati u prihvatljivi raspon tolerancije. Time benchmark ostaje usmjeren na pona\u0161anje, umjesto da se pretvori u test to\u010dne replikacije diff-a.<\/p>\n<h2 id=\"fail-pass-regressions\">Neuspjeh pri prijelazu i prijelaz pri prijelazu bez regresija<\/h2>\n<p>Test pokre\u0107e igru koriste\u0107i Playwright u headless Chromiumu. Virtualni sat napreduje u fiksnim koracima, sinteti\u010dki unosi se \u0161alju na zadanim koordinatama, a samo za \u010ditanje JSON snimke bilje\u017ee stanje. Svaki test zapo\u010dinje s \u010distim resetiranjem, tako da neovisno o nasumi\u010dnoj povijesti prethodnog pokretanja ne do\u0111e do pogre\u0161ke.<\/p>\n<p>The <strong>Neuspjeh pri prolazu<\/strong> Testovi potvr\u0111uju da je pona\u0161anje naru\u0161eno mutacijom vra\u0107eno. <strong>Prenesi na Prenesi<\/strong> Testovi potvr\u0111uju da pona\u0161anje koje je prethodno bilo ispravno ostaje ispravno. Gre\u0161ka se smatra ispravljenom tek kada pro\u0111e F2P tvrdnju i sve povezane P2P tvrdnje. Metodologija se temelji na tradiciji <a href=\"https:\/\/twodots.gr\/ai-agents-behavioral-testing\/\">pona\u0161ajno testiranje za AI agente<\/a>Pitanje nije u tome je li zakrpa razumna, nego u tome je li ona ispravno izmijenila izvr\u0161nu datoteku sustava.<\/p>\n<p>Za tim proizvoda pravilo je izravno primjenjivo. Svaki zna\u010dajan zahtjev zahtijeva test prihva\u0107anja za novo pona\u0161anje i regresijski testni skup za funkcije koje moraju ostati nepromijenjene. Bez druge kontrole, brzina agenta mo\u017ee jednostavno premjestiti tro\u0161ak s razvoja na QA, podr\u0161ku ili korisnike. Ovo je osobito to\u010dno u e-trgovini, gdje <a href=\"https:\/\/twodots.gr\/oi-pio-axiopistes-qa-platformes-gia-ecommerce-testing\/\">QA platforme i provjere od po\u010detka do kraja<\/a> Moraju osigurati za\u0161titu procesa naplate, pla\u0107anja i ra\u010duna.<\/p>\n<h2 id=\"self-discovery-dyskoli-deksiotita\">Za\u0161to je samootkrivanje posebna vje\u0161tina<\/h2>\n<p>U na\u010dinu eksplicitnog problema agent prima numeriranu listu problema. U na\u010dinu samootkrivanja agent vidi samo simptome na razini prezentacije ili ovisne o ukusu, dok su objektivni nedostaci poput obrnutih kontrola, nepristupa\u010dnih prepreka ili neigra\u010dkih brzina skriveni. Imatelj ostaje \u010ditav skup gre\u0161aka, pa se svaka neotkrivena gre\u0161ka ra\u010duna kao neuspjeh.<\/p>\n<p>Kada postoji kontrolna lista, model zna gdje treba tra\u017eiti, koliko je problema i kada je zavr\u0161io. Bez kontrolne liste mora samostalno isplanirati istra\u017eivanje, razlikovati simptome od uzroka, obuhvatiti mnoga neovisna podru\u010dja i definirati kriterij zaustavljanja. Najbolja ocjena \"Strict\" na javnoj stranici projekta ostaje 39,0\/100, \u0161to ukazuje da je gotovo potpuna ispravka skrivenih problema daleko od zasi\u0107enja.<\/p>\n<p>Iz ovih se putanja izdvaja \u0161est prakti\u010dnih podru\u010dja: lokalizacija, otkrivanje gre\u0161aka, provjera pona\u0161anja, oporavak ispravnih vrijednosti ovisnih o osje\u0107aju igre, pokrivenost vi\u0161e gre\u0161aka, kontrola regresije i sigurno zaustavljanje. To nisu samo jo\u0161 koncepti koje treba razmotriti. Oni predstavljaju organizaciju procesa testiranja oko interaktivnog proizvoda s stanjem.<\/p>\n<aside class=\"td-article-note\"><strong>Najop\u0107enitiji nalaz:<\/strong> Popravak eksplicitno nazvanog bug-a i neovisno otkrivanje nepoznatog bug-a razli\u010dite su vje\u0161tine. Potonje zahtijeva plan pokrivenosti, dokaze tijekom izvo\u0111enja i eksplicitan kriterij dovr\u0161enosti.<\/aside>\n<h2 id=\"gameopt-exi-gyroi\">GameOpt: \u0161est rundi bez gubitka proizvoda<\/h2>\n<p>GameOpt se sastoji od 17 samostalnih JavaScript igara, od kojih svaka ima niz od \u0161est poteza i ukupno 102 zahtjeva. Krugovi obuhva\u0107aju osnovnu mehaniku igre, dizajn razina, numeri\u010dku ravnote\u017eu, grafiku, su\u010delje i audio. U svakom krugu agent nastavlja od vlastitog prethodnog rezultata, pa se akumuliraju izbori, propusti i regresije.<\/p>\n<p>Nakon \u0161estog kruga radni prostor se zamrzava i svi se zahtjevi ocjenjuju prema kona\u010dnom proizvodu. Rubrika sadr\u017ei 604 pozitivne stavke i 97 provjera regresije, ukupno 701. Od toga se 281 ocjenjuje na temelju koda, 122 zahtijevaju i kod i prikazani dokaz, dok se 298 temelje na prikazanom dokazu. Komentari, mrtvi kod, neiskori\u0161tena konfiguracija ili opis agenta ne prihva\u0107aju se kao dokaz.<\/p>\n<p>Najvi\u0161a ukupna ocjena bila je 93,96, ali ukupna brojka prikriva zna\u010dajne razlike me\u0111u razli\u010ditim dimenzijama. Razlika izme\u0111u najbolje i najslabije ocijenjenih modela iznosila je 58,07 bodova, dok su \u2019uravnote\u017eenost' i 'dizajn razina' imali najni\u017ee prosje\u010dne ocjene. Prakti\u010dni zaklju\u010dak je da agent mo\u017ee provesti zahtjeve, a ipak ne uspjeti uravnote\u017eeno pobolj\u0161ati proizvod.<\/p>\n<h2 id=\"ti-simainei-gia-epicheiriseis\">\u0160to nalazi zna\u010de za tvrtke?<\/h2>\n<p>Logika iza GameXpert-Bench primjenjuje se na svaki digitalni proizvod sa stanjem. E-trgovina, korisni\u010dki portal, konfigurator ili interaktivna kampanja tako\u0111er imaju radnje, prijelaze, vizualna stanja i regresije. Ako agent doda novi filtar, ali pritom prekine postupak pla\u0107anja, rezultat nije uspje\u0161an samo zato \u0161to su izmijenili ispravne datoteke.<\/p>\n<p>Nadzorne plo\u010de produktivnosti tako\u0111er trebaju bolje metrike. Redovi koda, commitovi i vrijeme do prve izgradnje ne pokazuju kvalitetu. Zna\u010dajniji pokazatelji uklju\u010duju postotak izvr\u0161ivih kriterija prihva\u0107anja, u\u010destalost regresija, pokrivenost skrivenih rubnih slu\u010dajeva, vrijeme do provjerenog rezultata i udio promjena koje zahtijevaju ponovni rad.<\/p>\n<p>Specifikacija ostaje polazna to\u010dka. Kao \u0161to je obja\u0161njeno u <a href=\"https:\/\/twodots.gr\/sdad-prodiagrafi-ai-anaptyxi-logismikou\/\">SDAD za razvoj umjetne inteligencije vo\u0111en specifikacijama<\/a>, Zahtjevi se moraju pretvoriti u funkcionalne ugovore koji povezuju namjeru, kod, testove i dokaz. Bez ove niti agent mo\u017ee optimizirati proxy umjesto poslovnog ishoda.<\/p>\n<div class=\"td-decision-band\">\n<p class=\"td-decision-kicker\">Pravilo koje se mora po\u0161tovati prije nego \u0161to se odobri ve\u0107a autonomija<\/p>\n<p class=\"td-decision-title\">Mjerite provjereni rezultat, a ne koli\u010dinu koda.<\/p>\n<p>Pro\u0161irite opseg kodnog agenta samo kada on dosljedno prolazi testove prihva\u0107anja, odr\u017eava zelena regresijska vrata i jasno navodi \u0161to nije provjerio tijekom izvo\u0111enja.<\/p>\n<\/div>\n<h2 id=\"elegxomeni-aftonomia\">Kontrolirana autonomija, a ne slijepa brzina<\/h2>\n<p>Zreli tim mo\u017ee koristiti umjetnu inteligenciju za potporu, prototipove, male implementacije i prijedloge za ispravke, a da pritom ne prepu\u0161ta cijeli proces izdavanja. Autonomija raste u skladu s dokazima. Agent koji rje\u0161ava eksplicitne probleme bez izazivanja regresija mo\u017ee postupno preuzimati sve vi\u0161e dijagnosti\u010dkih zadataka. Ako ne istra\u017euje vrijeme izvo\u0111enja ili se zaustavlja na temelju vjerojatnosti umjesto testova, zahtijeva pomniju provjeru.<\/p>\n<p>Okru\u017eenje za postavljanje mora omogu\u0107iti stvarno izvr\u0161avanje i nadzor, a ne samo \u010ditanje repozitorija. U web proizvodima provjerena okru\u017eenja jednako su va\u017ena kao i ona opisana u analizi za <a href=\"https:\/\/twodots.gr\/ai-agents-ekpaidefsi-kosmoi-leitourgoun-pragmatika\/\">AI agenti kojima su potrebni svjetovi koji zaista funkcioniraju<\/a>Tim treba znati je li model, alat ili testno okru\u017eenje zakazalo.<\/p>\n<p>Ljudski nadzor ne mora ponavljati svaki korak koji je poduzela agencija. Trebala bi se usredoto\u010diti na nejasne zahtjeve, nepovratne radnje, sigurnosne granice, vizualnu kvalitetu i podru\u010dja u kojima je automatizirano orakulum slabo. Na taj na\u010din, brzinske prednosti koje vidimo u primjerima u poduze\u0107ima kao \u0161to su <a href=\"https:\/\/twodots.gr\/ntt-data-codex-ai-agents-enterprise\/\">Upotreba Codexa od strane NTT DATA<\/a> povezani su s upravljanjem i verifikacijom, a ne s nekontroliranom proizvodnjom.<\/p>\n<h2 id=\"epta-vimata-yiothetisis\">Sedam koraka do sigurne posvojenja<\/h2>\n<p>Korisni pilot mo\u017ee zapo\u010deti u malom opsegu, pod uvjetom da ima opipljiva pona\u0161anja, ponovljive testove i jasne granice. Cilj nije replicirati referentni standard, nego prenijeti njegovu na izvr\u0161enju utemeljenu logiku u stvarni tijek rada proizvoda.<\/p>\n<div class=\"td-step-list\">\n<p class=\"td-step-list-title\">Od brzog prototipa do provjerive verzije<\/p>\n<ol>\n<li><span class=\"td-step-kicker\">Korak 1<\/span><strong>Ovdje su pona\u0161anja vidljiva korisnicima.<\/strong>\n<p>Raspadni zahtjev na promatrane doga\u0111aje, stanja i ishode koje mogu provjeriti ljudi ili testni okvir.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 2<\/span><strong>Zabilje\u017eite po\u010detnu regresijsku osnovu<\/strong>\n<p>Prije nego \u0161to agent promijeni kod, spremite pona\u0161anja koja ve\u0107 rade i ne smiju se izgubiti.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 3<\/span><strong>Osigurajte sigurno okru\u017eenje za izvo\u0111enje<\/strong>\n<p>Koristite izolirano radno okru\u017eenje s pravom izgradnjom, izvo\u0111enjem preglednika ili motora i ograni\u010denim vanjskim radnjama.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 4<\/span><strong>Pove\u017eite svaki zahtjev s F2P i P2P vratima.<\/strong>\n<p>Pokazati da novo pona\u0161anje radi i da susjedne funkcije ostaju ispravne nakon promjene.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 5<\/span><strong>Zahtijevajte dopu\u0161tene dokaze<\/strong>\n<p>Molimo prihvatite dostupne putanje koda, zapisnike izvr\u0161avanja, tragove, snimke zaslona ili zvu\u010dne dokaze; nemojte prihva\u0107ati komentare, mrtvi kod ili samoprijave.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 6<\/span><strong>Autonomija na temelju pokrivenosti<\/strong>\n<p>Po\u010dnite s eksplicitnim pitanjima i pove\u0107avajte samootkrivanje tek kada agent sustavno pokrije skrivene slu\u010dajeve i zna kada stati.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Korak 7<\/span><strong>Dr\u017eite \u010dovjeka kod slabih orakula.<\/strong>\n<p>Upu\u0107ujte pitanja vezana uz estetiku, do\u017eivljaj igre, dvosmislene zahtjeve i odluke visokog rizika timovima za proizvod, dizajn i QA pregled.<\/p>\n<\/li>\n<\/ol>\n<\/div>\n<p>Kontrolna lista ne zamjenjuje sigurnosnu reviziju, kontrolu pristupa ili upravljanje izdanjima. NIST AI RMF preporu\u010duje kontinuirano mapiranje rizika, mjerenje i upravljanje tijekom cijelog \u017eivotnog ciklusa. Za agenta kodiranja to zna\u010di dokumentiranje namjeravane svrhe, na\u010dina kvara, ljudskog nadzora, dokaza o testiranju te kriterija za povratak na prethodno stanje ili prekid.<\/p>\n<h2 id=\"periorismoi-symperasma\">Ograni\u010denja i prakti\u010dni zaklju\u010dci<\/h2>\n<p>GameXpert-Bench ocjenjuje igre nativne u pregledniku i povjerljive Gold igre unutar specifi\u010dnih testnih okvira. Ne jam\u010di da \u0107e se isto rangiranje posti\u0107i u Unityju, Unreal Engineu, velikim korporativnim repozitorijima ili projektima koji uklju\u010duju slo\u017eene vanjske usluge. 19 do 27 istovremeno ubrizganih bugova predstavljaju namjerni stres-test i nisu reprezentativna mjera dnevnog optere\u0107enja incidentima.<\/p>\n<p>Ljudska prosudba i posredni pokazatelji i dalje su nu\u017eni za svojstva poput vizualne koherentnosti i do\u017eivljaja igre. Sam rad navodi da postojanje implementacijskog puta ne dokazuje estetsku nadmo\u0107. \u0160tovi\u0161e, na stranici projekta stoji da kod i skup podataka u trenutku recenzije jo\u0161 nisu bili objavljeni, pa cjelovita, neovisna reprodukcija v1 evaluacije nije bila dostupna.<\/p>\n<p>Klju\u010dni zaklju\u010dak je pozitivan, ali rigorozan. AI kodirni agenti ve\u0107 su korisni za postavljanje temelja, definiranje eksplicitnih zahtjeva i omogu\u0107avanje brzih iteracija. Me\u0111utim, prijelaz na pouzdanu autonomiju zahtijeva otkrivanje gre\u0161aka, provjeru tijekom izvo\u0111enja, kontrolu regresija i zaustavljanje utemeljeno na dokazima. Prototip za igranje je polazi\u0161na to\u010dka; proizvodna kvaliteta ostaje sustav koji obuhva\u0107a ljude, specifikacije, testove i kontrolirane agente.<\/p>\n<section class=\"td-service-cta\">\n<div class=\"td-service-cta-content\">\n<p class=\"td-service-cta-kicker\">Razvoj umjetne inteligencije s kontroliranim ishodima<\/p>\n<p class=\"td-service-cta-title\">Dizajnirajte tijekove rada koji prate svaku promjenu<\/p>\n<p>TWO DOTS povezuje AI agente, web stranice i poslovne sustave s jasnim dozvolama, prihvatnim testovima, nadzorom i ljudskim nadzorom, kako brzina ne bi dovela do tehni\u010dkog duga.<\/p>\n<div class=\"td-service-cta-actions\"><a class=\"td-service-cta-button\" href=\"https:\/\/twodots.gr\/aftomatismoi-epicheiriseon-ai\/\">Otkrijte rje\u0161enja za automatizaciju i umjetnu inteligenciju<\/a><\/div>\n<\/div>\n<\/section>\n<section id=\"sychnes-erotiseis\" class=\"td-faq-section\">\n<div class=\"td-faq\">\n<p class=\"td-faq-heading\">\u010cesto postavljana pitanja<\/p>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">\u0160to je GameXpert-Bench?;<\/summary>\n<div class=\"td-faq-content\">\n<p>To je na izvr\u0161enju utemeljen referentni test koji ocjenjuje AI koderske agente u stvaranju, popravljanju i iterativnom pobolj\u0161anju nativnih pregledni\u010dkih igara.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Za\u0161to nije dovoljno samo napraviti igru?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Jer kontrole, doga\u0111aji, korisni\u010dki su\u010delje, prijelazi stanja i tijek igre mogu zakazati tijekom izvo\u0111enja, \u010dak i kad se izgradnja otvori bez ikakvih pogre\u0161aka.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Koliko zadataka uklju\u010duje GameGen?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Obuhva\u0107a 97 igara u 11 \u017eanrova: 53 su 2D, a 44 zahtijevaju 3D renderiranje, prema verziji v1 studije.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Kako se popravak provjerava na GameFixu?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Gre\u0161ka se smatra ispravljenom tek kada pro\u0111e Fail-to-Pass test i kada svi povezani Pass-to-Pass testovi ostanu zeleni.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Koja je razlika izme\u0111u 'Eksplicitnog problema' i 'Samootkrivanja'?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Procjenjuje se mo\u017ee li agent otkriti skrivene nedostatke, dijagnosticirati ih, provjeriti i znati kada je inspekcija dovr\u0161ena bez potpune kontrolne liste.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">\u0160to GameOpt procjenjuje?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Ocjenjuje \u0161est uzastopnih zahtjeva u istoj igri i provjerava kona\u010dnu verziju na prisutnost novih zahtjeva i regresija u postoje\u0107oj funkcionalnosti.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Mogu li rezultati predvidjeti ishod svakog korporativnog projekta?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Ne. Rezultati se odnose na odre\u0111eni korpus i postavke evaluacije; oni ukazuju na sposobnosti i na\u010dine neuspjeha, a ne na univerzalnu garanciju proizvodnih performansi.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Koja je prakti\u010dna lekcija za poslovanje?;<\/summary>\n<div class=\"td-faq-content\">\n<p>Kombinirati brzinu AI koderskih agenata s izvr\u0161ivim kriterijima prihva\u0107anja, provjerom tijekom izvo\u0111enja, regresijskim testovima i ljudskom odgovorno\u0161\u0107u za definiciju gotovog proizvoda.<\/p>\n<\/div>\n<\/details>\n<\/div>\n<\/section>\n<div class=\"td-source-list\">\n<p id=\"piges\" class=\"td-source-list-title\">Izvori<\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.21833\" target=\"_blank\" rel=\"noopener\">arXiv \u2014 GameXpert-Bench: Koliko su kodiraju\u0107i agenti udaljeni od stru\u010dnog razvoja igara?<\/a><\/li>\n<li><a href=\"https:\/\/kwen-chen.github.io\/GameXpert-Bench\/\" target=\"_blank\" rel=\"noopener\">GameXpert-Bench \u2014 slu\u017ebena stranica projekta i ljestvica<\/a><\/li>\n<li><a href=\"https:\/\/playwright.dev\/docs\/writing-tests\" target=\"_blank\" rel=\"noopener\">Drama\u00adtur\u00adg \u2014 radnje, tvrdnje i izolirani testovi preglednika<\/a><\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2310.06770\" target=\"_blank\" rel=\"noopener\">arXiv \u2014 SWE-bench: Mogu li jezi\u010dni modeli rije\u0161iti stvarne probleme na GitHubu?<\/a><\/li>\n<li><a href=\"https:\/\/airc.nist.gov\/airmf-resources\/airmf\/5-sec-core\/\" target=\"_blank\" rel=\"noopener\">NIST \u2014 Okvir za upravljanje rizicima umjetne inteligencije \u2013 jezgra<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>GameXpert-Bench otkriva za\u0161to AI kodirnim agentima prije ulaska u produkciju trebaju provjere u vrijeme izvo\u0111enja, regresijski testovi i ljudska prosudba.<\/p>","protected":false},"author":1,"featured_media":104835,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_gspb_post_css":"","footnotes":""},"categories":[199],"tags":[6506,20700,20699,18480,16957],"class_list":["post-97874","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-techniti-noimosyni","tag-ai-agents","tag-coding-agents","tag-game-development","tag-quality-assurance","tag-software-testing"],"_links":{"self":[{"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/posts\/97874","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/comments?post=97874"}],"version-history":[{"count":0,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/posts\/97874\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/media\/104835"}],"wp:attachment":[{"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/media?parent=97874"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/categories?post=97874"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/twodots.gr\/hr\/wp-json\/wp\/v2\/tags?post=97874"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}