4DCodeBench teste si des agents savent reconstruire une scène en 4D

Selon la page du banc, un agent de programmation reçoit une vidéo d'un événement physique et doit écrire un programme qui reconstruit la scène en 3D, son mouvement et son rendu, en une seule tentative. Le banc compte 200 tâches, dont 100 vidéos réelles, et classe 18 agents. GPT-6 Astra au réglage maximal est en tête : 0,79 en global, 0,91 sur les mesures statiques mais 0,67 sur les dynamiques. Le mouvement reste le point faible, les scènes réelles sont plus dures que les simulées et les modèles à poids ouverts restent loin derrière. Le juge automatique est peu fiable entre modèles proches. Code et données sont publiés. Mesures des auteurs.