开发者 Max Bittker 发布开源基准测试 RuneScape-Bench（RuneBench），通过让 AI Agent 在模拟的《天堂之剑》（RuneScape）旧服环境中自主完成游戏任务，评估模型的多步规划、工具调用与代码生成能力。测试以 8 倍速运行模拟服务器，Agent 须以 TypeScript 脚本操控角色，并参考 Wiki 文档制定策略，得分依据每 15 秒窗口内的最优经验值获取速率计算。社区测试结果显示，Gemini 3.5 Flash 综合得分 5.4，在早期游戏多个技能分类上领先 GPT-5.5、GPT-5.4 及 Claude Opus 4.7，结果页面附有分技能详细对比表格。
RuneScape-Bench 的设计思路是以开放世界游戏作为真实 Agent 能力的压力测试场，与单纯的代码补全或选择题基准有所区别。不过，部分社区成员对测试结果的代表性持保留态度，认为该基准尚缺乏充分的同行评审。榜单及各模型逐技能数据已在 maxbittker.github.io 公开，代码托管于 GitHub，支持自行接入新模型运行测试。