🌌 Universo-Arena
Un mismo prompt. 36 combinaciones de LLM + agente de código. Una sola pasada. ¿Quién construye el mejor universo 3D?
Universo-Arena es un benchmark abierto que enfrenta a distintos modelos de lenguaje (LLM) y agentes de codificación ante un mismo reto exigente: implementar, en un único index.html autocontenido, una simulación 3D del Sistema Solar con BabylonJS siguiendo al pie de la letra Prompt-Maestro_v2.txt.
Cada carpeta del repositorio contiene la entrega de una combinación distinta — y su nombre indica el modelo y el agente usados (p. ej. Opus-4.8-Claude-Code = Claude Opus 4.8 con Claude Code; codex-gpt-5.5 = GPT‑5.5 con Codex).
🔭 Ver la galería interactiva con resultados, fichas y demos en vivo →
(abre index.html en la raíz: ranking, radar por categorías, capturas reales y enlace a cada simulación)
🎯 El reto
Prompt-Maestro_v2.txt no es un "hola mundo". Pide una escena completa y físicamente plausible en un solo archivo, sin assets locales ni servidor:
- ☀️ Sol central emisivo con corona de partículas, pulso de escala y luz puntual.
- 🪐 8 planetas + Plutón (enano) con órbitas elípticas (Sol en el foco), velocidad orbital tipo Kepler (inversa a la distancia), inclinación de plano orbital, eje axial propio y etiquetas billboard.
- ☄️ Cometa Halley con órbita excéntrica y cola que siempre apunta en sentido opuesto al Sol (recalculada cada frame).
- 🌑 Cinturón de asteroides (200+), anillos de Saturno, 3000+ estrellas de fondo y nebulosas procedurales.
- 🎬 Post‑procesado (bloom + glow + tone mapping), cámara
ArcRotateCamera con auto‑rotación y panel de configuración con 4 secciones y decenas de controles.
- 📜 Regla absoluta: consultar la documentación oficial de BabylonJS (vía context7) antes de escribir código y no inventar APIs.
Todo ello generado en una sola pasada por cada agente.
🧪 Metodología
La evaluación combina tres señales independientes para evitar tanto la subjetividad como las alucinaciones del juez:
- Rúbrica de 100 puntos sobre 10 categorías (escena, fidelidad orbital, cometa Halley, estética, panel UI, cámara, post‑procesado, rendimiento, robustez y calidad de código). Un jurado‑LLM por implementación leyó el
index.html completo y el spec, y puntuó verificando el código, no los comentarios.
- Ejecución real en Chrome headless (WebGL vía SwiftShader) de las 36 entregas: se capturó captura de pantalla, número de mallas en escena, FPS y, sobre todo, errores de consola y excepciones reales. Ningún archivo se juzga solo por su código: se juzga por lo que hace al abrirse.
- Calibración adversarial + corrección por runtime. Un juez final normalizó las notas entre jurados. Donde la revisión estática contradijo la ejecución real, mandó la ejecución real (ver "El caso GLM‑5.2" más abajo).
Orquestado con un pipeline multi‑agente (15+ subagentes): un evaluador por entrega en paralelo, un calibrador, y re‑evaluaciones dirigidas para las contradicciones. Toda la data cruda vive en assets/benchmark.json y assets/runtime.json.
This is the beginning of the README. Read the rest at the original. Read the full README ↗
