Gamer : l'IA de miHoYo joue à Honkai: Star Rail comme un humain et réussit plus de 95 % des défis de l'histoire

L'équipe Honkai AI R&D de miHoYo a présenté Gamer, un modèle d'intelligence artificielle capable de jouer à des jeux 3D complexes avec la même interface qu'un joueur humain : captures d'écran, clavier et souris. L'article a été publié sur arXiv le 13 novembre 2026 et, selon l'équipe, l'agent réussit plus de 95 % des défis des histoires principales de Honkai: Star Rail.

Gamer est décrit comme un modèle de fondation généraliste vision-langage-action (Vision-Language-Action) pour l'interaction en temps réel et de longue durée. Contrairement aux agents conçus pour un seul jeu, il n'utilise ni état privilégié du moteur ni API spécifique : il observe l'écran à 5 images par seconde, décide quoi faire et exécute les commandes comme le ferait un joueur.

Un entraînement en trois étapes

L'entraînement se déroule en trois étapes. D'abord, un pré-entraînement continu sur plus de 10 000 heures de trajectoires de jeu, dont environ 1 000 heures de parties de Honkai: Star Rail. Ensuite, un réglage fin supervisé avec environ 1,2 million d'annotations de raisonnement et 223 000 annotations de mémoire, qui apprennent à l'agent à raisonner uniquement aux moments décisifs et à se souvenir de la progression de la tâche. Enfin, un apprentissage par renforcement en ligne avec la méthode TA-GRPO (Temporal-Aware GRPO), entraîné sur des trajectoires d'interaction pouvant durer jusqu'à une heure.

Résultats dans Honkai: Star Rail

Lors des tests automatisés de l'équipe, Gamer a terminé plus de 95 % des défis des histoires principales de Honkai: Star Rail. Dans deux quêtes secondaires, les taux de réussite ont atteint 80 % et 83,6 % après l'apprentissage par renforcement. Sur 40 mini-jeux de sept types différents, le taux de réussite moyen était de 49,7 %, contre 17,1 % pour le modèle généraliste le plus performant évalué, GPT-6.1-Sol. L'article rapporte aussi des résultats compétitifs sur des benchmarks 2D comme MCU, ViZDoom, OmniGameArena et GameWorld, et affirme que l'efficacité opérationnelle de l'agent est comparable à celle de joueurs expérimentés.

Streaming-vLLM : une latence 20 fois plus faible

Pour jouer en temps réel, l'équipe a créé Streaming-vLLM, un moteur d'inférence qui réutilise le cache du modèle entre les tours et envoie les actions avant la fin de la génération. Dans la configuration testée — GPU NVIDIA H200 avec le modèle Qwen3.5-35B-A3B MoE — la latence de bout en bout est passée de 1 306 ms à 65,12 ms, soit une réduction de 20,1 fois. Selon les auteurs, une inférence plus rapide rend aussi l'apprentissage par renforcement en ligne plus efficace.

Open source, avec des réserves

L'implémentation officielle est sur GitHub, sous licence Apache 2.0, avec une page de projet et des démonstrations de gameplay. Deux réserves importantes : le code de Streaming-vLLM sera publié dans une mise à jour future, et les checkpoints entraînés sur des données de Honkai: Star Rail ne seront pas diffusés publiquement, pour des raisons de sécurité des données — seuls les checkpoints de l'étude d'échelle du pré-entraînement ont été partagés. L'équipe précise également que Gamer est un projet de recherche et ne cautionne pas son utilisation pour tricher, accéder sans autorisation ou nuire au fair-play.

Gamer est le deuxième projet d'agents joueurs de la même équipe en un peu plus d'un mois : en octobre, miHoYo a ouvert GameScaling, avec des modèles open source qui jouent à Minecraft et Doom en temps réel. Lire aussi : miHoYo ouvre GameScaling : des modèles d'IA open source qui jouent en temps réel.

Crédit image : schéma de l'architecture de Gamer, tiré de la page officielle du projet (mihoyo-gamer.github.io), par l'équipe Honkai AI R&D de miHoYo.

Sources

Cet article a été produit avec l'aide de l'intelligence artificielle, à partir du croisement de publications publiques et de sources internet. Consultez les sources originales pour confirmer les informations.

Por Muse