跳到正文

技术方向

游戏智能体 最新动态

能在游戏里行动的 AI:通用游戏智能体、LLM 驱动的 Bot、Minecraft 与 StarCraft 等环境里的智能体、评测基准与开源框架。

111 条精选近 30 天 55 条共收录 170 条

更新

精选归档 · 第 3 页

10月28日周三第 41–60 条
  1. arXiv 游戏 AI 检索45

    Gym-Anything-RT 为视觉语言智能体扩展实时环境

    Gym-Anything-RT 通过智能体流程自动生成100个实时视觉小游戏,用于评估视觉语言智能体的实时交互能力。原文报告,GPT-6 Astra (xHigh) 在实时小游戏上的通过率仅为9.0%,环境暂停后升至75.0%。作者还发现,部分前沿智能体在被允许写代码时会绕过实时感知与操作,并公开发布了该环境与生成的小游戏。

    推荐理由:该研究把实时性从其他能力中单独拆出,可在同一小游戏上比较暂停前后的成绩,适合判断智能体的实时决策短板。

  2. arXiv 游戏 AI 检索39

    UnityBench-Mini3D:评测 LLM 智能体的 Unity 3D 游戏开发能力

    研究者提出 UnityBench-Mini3D,用 77 个项目级 Unity 任务评测 LLM 编码智能体的 3D 游戏开发能力。每个任务配有 1,178 个人工编写的里程碑测试,可给出部分得分并定位失败环节。在 21 个模型和 9 种编码框架的测试中,简单任务平均通过率为 80.9%,困难任务降至 35.2%,总体为 57.7%。

    推荐理由:现有游戏开发基准多针对 Godot 且依赖 LLM 评审,这篇工作改用引擎内的确定性里程碑测试评估 Unity 任务,可作为方法上的对照。

  3. arXiv 游戏世界模型与生成检索39

    BoxWorld:让世界引擎控制状态、视频生成器负责渲染

    BoxWorld 将用户定义的交互规则交给 Box World Engine 处理,再由 Box-State 生成式渲染器按对象状态自回归渲染实时交互视频世界。论文称其在 PairedStateBench 等评测中明显优于端到端世界模型,并在多个公开基准上保持竞争力。训练分三阶段,利用开放域视频和游戏视频的自动标注学习对象定位与状态转移,并在自生成历史上做 rollout 蒸馏。

    推荐理由:将交互推理与生成渲染拆开,并与端到端视频世界模型对照,可以看到可控游戏世界的一种分工思路。

  4. arXiv 棋牌与经典游戏 AI 检索35

    arXiv 论文用 17,400 局 Stockfish 自博弈检验开局排名的稳定性

    arXiv 上的一项研究让强度受限的 Stockfish 15.1 在三种强度设置下自博弈 17,400 局,比较十个白方首着和十个对 1.e4 的黑方应着,发现领先开局会随强度设置变化,其中两次仅相差一局。

    推荐理由:依据 17,400 局自博弈数据,原文量化了局数不足时开局排行榜领先者的不确定性,可供评估设计参考。

  5. arXiv 游戏 AI 检索59

    Gym-Anything-RT 为视觉语言智能体扩展实时环境

    Gym-Anything-RT 通过智能体流程自动生成100个实时视觉小游戏,用于评估视觉语言智能体的实时交互能力。原文报告,GPT-6 Astra (xHigh) 在实时小游戏上的通过率仅为9.0%,环境暂停后升至75.0%。作者还发现,部分前沿智能体在被允许写代码时会绕过实时感知与操作,并公开发布了该环境与生成的小游戏。

    推荐理由:该研究把实时性从其他能力中单独拆出,可在同一小游戏上比较暂停前后的成绩,适合判断智能体的实时决策短板。

10月27日周二
  1. arXiv 游戏世界模型与生成检索37

    人类如何学习陌生世界:ARC-AGI-3 出声思考数据集

    研究者构建了一个记录人类在陌生游戏机制中探索与学习过程的出声思考数据集,包含64名参与者在25款公开游戏中的144条人类轨迹,以及250条LLM智能体轨迹。分析显示,成功的人类轨迹中定性表征占50.0%,成功的LLM轨迹中占14.3%,人类更常在没有具体假设时探索。

    推荐理由:这篇论文用人类出声思考的游戏轨迹对照LLM智能体的失败与恢复过程,可以作为审视现有游戏智能体基准局限的参照。

  2. arXiv 棋牌与经典游戏 AI 检索42

    文本是瓶颈:小规模复现 LLM 日本麻将对局研究

    论文在参数不超过 2B、单张 16 GB 消费级 GPU、约五个 GPU 日的预算下复现了 riichi 麻将 LLM 对局研究,结论是在数据和标签匹配时,文本提示是主要瓶颈。

    推荐理由:论文在小算力条件下复现麻将 LLM 对局研究,并用对照实验检验文本表示是否为主要瓶颈,适合关注 LLM 游戏策略能力来源的读者参考。

  3. arXiv 游戏世界模型与生成检索53

    BoxWorld:让世界引擎控制状态、视频生成器负责渲染

    BoxWorld 将用户定义的交互规则交给 Box World Engine 处理,再由 Box-State 生成式渲染器按对象状态自回归渲染实时交互视频世界。论文称其在 PairedStateBench 等评测中明显优于端到端世界模型,并在多个公开基准上保持竞争力。训练分三阶段,利用开放域视频和游戏视频的自动标注学习对象定位与状态转移,并在自生成历史上做 rollout 蒸馏。

    推荐理由:将交互推理与生成渲染拆开,并与端到端视频世界模型对照,可以看到可控游戏世界的一种分工思路。

10月26日周一
  1. arXiv 游戏 AI 检索48

    UnityBench-Mini3D:评测 LLM 智能体的 Unity 3D 游戏开发能力

    研究者提出 UnityBench-Mini3D,用 77 个项目级 Unity 任务评测 LLM 编码智能体的 3D 游戏开发能力。每个任务配有 1,178 个人工编写的里程碑测试,可给出部分得分并定位失败环节。在 21 个模型和 9 种编码框架的测试中,简单任务平均通过率为 80.9%,困难任务降至 35.2%,总体为 57.7%。

    推荐理由:现有游戏开发基准多针对 Godot 且依赖 LLM 评审,这篇工作改用引擎内的确定性里程碑测试评估 Unity 任务,可作为方法上的对照。

  2. arXiv 棋牌与经典游戏 AI 检索54

    文本是瓶颈:小规模复现 LLM 日本麻将对局研究

    论文在参数不超过 2B、单张 16 GB 消费级 GPU、约五个 GPU 日的预算下复现了 riichi 麻将 LLM 对局研究,结论是在数据和标签匹配时,文本提示是主要瓶颈。

    推荐理由:论文在小算力条件下复现麻将 LLM 对局研究,并用对照实验检验文本表示是否为主要瓶颈,适合关注 LLM 游戏策略能力来源的读者参考。

  3. arXiv 游戏世界模型与生成检索49

    人类如何学习陌生世界:ARC-AGI-3 出声思考数据集

    研究者构建了一个记录人类在陌生游戏机制中探索与学习过程的出声思考数据集,包含64名参与者在25款公开游戏中的144条人类轨迹,以及250条LLM智能体轨迹。分析显示,成功的人类轨迹中定性表征占50.0%,成功的LLM轨迹中占14.3%,人类更常在没有具体假设时探索。

    推荐理由:这篇论文用人类出声思考的游戏轨迹对照LLM智能体的失败与恢复过程,可以作为审视现有游戏智能体基准局限的参照。

10月24日周六
  1. 80 Level44

    Playgama Sandbox 让从原型到玩家的路径更快

    Playgama 创始人接受访谈,介绍其 Sandbox 与 MCP 工具如何把浏览器游戏的发布、接入 Bridge SDK 和收集数据串成一条更快的流程。智能体可通过 MCP 读取留存、游玩时长和自定义事件等数据并提出改进建议,回滚版本、申请提现和选择新发行平台等决定仍由开发者在控制台完成。

    推荐理由:文中讲了智能体通过 MCP 读取埋点数据、迭代浏览器游戏的完整流程,以及哪些决定仍留给开发者,可对照自己的发布工作流。

10月23日周五
  1. arXiv 游戏 AI 检索35

    HiSTEVE 1.0:面向开放世界游戏的人机界面 VLA 智能体

    HiSTEVE 1.0 是一个面向 Minecraft 等开放世界游戏的分层 VLA 智能体,由单一 VLA 以纯视觉输入和原生键鼠动作执行全部子任务。论文称其在 MineStudio Bench 上得分 85.0%,在 OpenHA 上平均成功率为 37.4%,原子任务表现达到当前最优。该工作还报告了智能体能像人类玩家一样从零合成铁镐等长程任务。

    推荐理由:论文把高层子任务规划与原生键鼠视觉控制放进同一个 VLA 智能体,便于对比长程自主性和界面操作可靠性之间的取舍。

  2. arXiv 游戏世界模型与生成检索34

    从单主体环境到多主体事件世界:LLM 能否充当事件世界模型?

    论文研究大语言模型能否根据事件日志和智能体拟采取的动作预测未来观测,基准来自人类外交(Diplomacy)对局和 Polymarket 真实交易。当只给出智能体自身动作、其他行动者强烈影响结果时,模型预测明显不足,更大的模型和更长的历史帮助有限。提供所有行动者的记录动作后,微调和更多数据可改善预测,但模型仍会高估计划成功率,而基于世界模型的想象经验仍能改善策略学习。

    推荐理由:论文指出,只给出智能体自身动作时,模型难以预测其他行动者强烈影响的结果,这是多主体事件世界建模的主要缺口。

10月22日周四
  1. arXiv 游戏 AI 检索50

    HiSTEVE 1.0:面向开放世界游戏的人机界面 VLA 智能体

    HiSTEVE 1.0 是一个面向 Minecraft 等开放世界游戏的分层 VLA 智能体,由单一 VLA 以纯视觉输入和原生键鼠动作执行全部子任务。论文称其在 MineStudio Bench 上得分 85.0%,在 OpenHA 上平均成功率为 37.4%,原子任务表现达到当前最优。该工作还报告了智能体能像人类玩家一样从零合成铁镐等长程任务。

    推荐理由:论文把高层子任务规划与原生键鼠视觉控制放进同一个 VLA 智能体,便于对比长程自主性和界面操作可靠性之间的取舍。

  2. arXiv 棋牌与经典游戏 AI 检索35

    D-Skill:通过智能体技能蒸馏教师模型知识

    D-Skill 把教师与学生模型的成对轨迹差异提炼成可解释的自然语言技能文档,学生在推理时直接使用,无需更新权重。论文称,在 SpreadsheetBench-Verified、ALFWorld 和国际象棋谜题上,该方法可弥合教师与学生之间 75%-95% 的性能差距。同一模型族下,学生每任务推理成本比教师低 5.7x-8.3x。

    推荐理由:与需要改写学生权重的传统蒸馏相比,它把教师经验写成可读的技能文档,便于对照思考。

  3. arXiv 棋牌与经典游戏 AI 检索35

    ToM2Vec:面向多智能体协作的连续心智理论 token

    ToM2Vec 通过固定预算的连续推理 token 学习多智能体协作中的心智理论,并以合作伙伴的真实想法作为训练监督。在 Overcooked-AI、多方谈判、Decrypto、Hanabi 和 Collab Escape/Capture 等合作、竞争与混合动机环境中,相比基础模型和多种竞争性基线取得稳定提升。

    推荐理由:文章把心智理论压缩进固定数量的连续推理 token,并用合作伙伴的真实想法做监督,和文本推理的做法形成对照。

  4. arXiv 游戏 AI 检索38

    游戏中的规模化研究:多样虚拟世界中具身智能体的持续预训练

    论文通过 120 组训练配置,系统研究了持续预训练中数据量、多样性和模型规模对具身智能体的影响,模型规模覆盖 0.8B 到 27B。研究发现,多样性能提升对相关世界的迁移效果,但对差异较大的世界增益有限;模型规模能提高数据效率,但在单一世界训练下对远距离世界的泛化更差。作者认为,要构建通用具身智能体,还需要比持续预训练更丰富的训练阶段。

    推荐理由:论文用 120 组配置对比数据量、多样性与模型规模的影响,结论是跨世界迁移收益有限,可作为游戏智能体训练路线的参照。

  5. arXiv 游戏世界模型与生成检索40

    从单主体环境到多主体事件世界:LLM 能否充当事件世界模型?

    论文研究大语言模型能否根据事件日志和智能体拟采取的动作预测未来观测,基准来自人类外交(Diplomacy)对局和 Polymarket 真实交易。当只给出智能体自身动作、其他行动者强烈影响结果时,模型预测明显不足,更大的模型和更长的历史帮助有限。提供所有行动者的记录动作后,微调和更多数据可改善预测,但模型仍会高估计划成功率,而基于世界模型的想象经验仍能改善策略学习。

    推荐理由:论文指出,只给出智能体自身动作时,模型难以预测其他行动者强烈影响的结果,这是多主体事件世界建模的主要缺口。