编码代理正从单文件生成快速向仓库级别的长时程工程演进，但如何评估它们在交互式扩展现实（XR）应用中的创作能力仍是未解难题。XR 应用运行在动态的 3D 物理环境中，鲁棒性受连续用户运动、空间输入和环境感知的共同影响。为此我们推出 GenXR-Bench，这是首个面向 XR 软件全流程评估的基准套件。\ \ GenXR-Bench 包含 112 条由专家撰写的任务，覆盖 24 项功能实现、21 条 bug 修复以及 67 项完整应用生成。测试用例采用脚本化与自适应交互相结合的方式，并通过程序化断言与视觉断言双重检查核心功能和运行时行为。\ \ 在消费级 XR 硬件上执行的 124 个候选应用中，GenXR-Bench 的测试套件对盲评专家判断的准确率达到 96.5%。我们在该基准上评测了 10 种模型，最强配置的 Pass@1 仅为 50.9%。错误分析显示模型普遍误解了异步传感器生命周期、物理落地以及具身交互语义等关键概念。\ \ GenXR-Bench 为在空间计算的交互式、具身环境中评估编码代理提供了可复现的测试平台。\ \ 点评：该基准揭示了当前编码代理在 XR 场景下的显著局限，为后续模型改进指明了传感器管理、物理约束和交互语义三大方向。