Minigames Benchmark 用统一画面和时间节奏评测视觉操作Agent

Minigames Benchmark 面向 computer-use Agent，游戏核心为Rust，运行器为Python，采用Apache-2.0许可。每个任务显示640×480画面，Agent只能观察图像并用鼠标键盘动作完成目标。仓库提供70种游戏的目录与能力标签，涵盖视觉计数、迷宫规划、碰撞推断及连续控制。评测将游戏和Agent放在不同容器中，主机显示环境不参与，记录seed与实际输入供重放核对。统一游戏时间上限三分钟；完成任务计分，耗时单列而不混入分数。标准方案包含每次F1推进3tick、6/20/60tick每秒四种节奏，逐tick模式还需配置空闲及总超时，防止Agent永不推进时间。用户构建Rust游戏及Python扩展，用Podman或Docker启动容器，将自己的Agent命令接入运行器；附带harness只是每轮截图、请求OpenAI-compatible模型并执行返回的pyautogui代码，没有记忆。仓库没有足以支持模型优劣排名的对比结果；首发价值是可复用任务和评测接口，测试环境以Linux容器为主。