长程交互世界生成成新基准

Karpathy用《魔戒》开篇让模型生成Three.js交互世界，强调评测应转向长程代码与自检能力。

推荐理由：从单张SVG转向两小时Three.js世界生成，实质是在测长上下文规划、代码一致性、空间建模和迭代自检，逼近真实Agent开发能力边界。