El equipo Honkai AI R&D de miHoYo presentó Gamer, un modelo de inteligencia artificial capaz de jugar a videojuegos complejos en 3D con la misma interfaz que un jugador humano: capturas de pantalla, teclado y ratón. El artículo se publicó en arXiv el 13 de noviembre de 2026 y, según el equipo, el agente resuelve más del 95% de los desafíos de las historias principales de Honkai: Star Rail.
Gamer se describe como un modelo fundacional generalista de visión, lenguaje y acción (Vision-Language-Action) para interacción en tiempo real y de larga duración. A diferencia de los agentes creados para un solo juego, no usa estados privilegiados del motor ni APIs específicas: observa la pantalla a 5 fotogramas por segundo, decide qué hacer y ejecuta los comandos como lo haría un jugador.
Entrenamiento en tres etapas
El entrenamiento se realiza en tres etapas. Primero, un preentrenamiento continuo con más de 10.000 horas de trayectorias de juego, incluidas unas 1.000 horas de partidas de Honkai: Star Rail. Después, un ajuste fino supervisado con alrededor de 1,2 millones de anotaciones de razonamiento y 223.000 anotaciones de memoria, que enseñan al agente a razonar solo en los momentos decisivos y a recordar el progreso de la tarea. Por último, un aprendizaje por refuerzo en línea con el método TA-GRPO (Temporal-Aware GRPO), entrenado con trayectorias de interacción de hasta una hora.
Resultados en Honkai: Star Rail
En las pruebas automatizadas del equipo, Gamer completó más del 95% de los desafíos de las historias principales de Honkai: Star Rail. En dos misiones secundarias, las tasas de éxito llegaron al 80% y al 83,6% tras el aprendizaje por refuerzo. En 40 minijuegos de siete tipos distintos, la tasa media de éxito fue del 49,7%, frente al 17,1% del modelo de propósito general más potente evaluado, GPT-6.1-Sol. El artículo también reporta resultados competitivos en benchmarks 2D como MCU, ViZDoom, OmniGameArena y GameWorld, y afirma que la eficiencia operativa del agente es comparable a la de jugadores expertos.
Streaming-vLLM: una latencia 20 veces menor
Para jugar en tiempo real, el equipo creó Streaming-vLLM, un motor de inferencia que reutiliza la caché del modelo entre turnos y envía las acciones antes de terminar la generación. En la configuración probada — GPU NVIDIA H200 con el modelo Qwen3.5-35B-A3B MoE — la latencia de extremo a extremo cayó de 1.306 ms a 65,12 ms, una reducción de 20,1 veces. Según los autores, una inferencia más rápida también hace más eficaz el aprendizaje por refuerzo en línea.
Código abierto, con matices
La implementación oficial está en GitHub, bajo licencia Apache 2.0, con página del proyecto y demostraciones de juego. Hay dos matices importantes: el código de Streaming-vLLM se publicará en una actualización futura, y los checkpoints entrenados con datos de Honkai: Star Rail no se liberarán públicamente, por seguridad de los datos — solo se compartieron los checkpoints del estudio de escala del preentrenamiento. El equipo también afirma que Gamer es un proyecto de investigación y no respalda su uso para hacer trampas, acceder sin autorización o perjudicar el juego limpio.
Gamer es el segundo proyecto de agentes jugadores del mismo equipo en poco más de un mes: en octubre, miHoYo abrió GameScaling, con modelos de código abierto que juegan a Minecraft y Doom en tiempo real. Más información: miHoYo abre GameScaling: modelos open-source de IA que juegan en tiempo real.
Crédito de la imagen: diagrama de la arquitectura de Gamer, de la página oficial del proyecto (mihoyo-gamer.github.io), del equipo Honkai AI R&D de miHoYo.
Fuentes
- arXiv — Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent (arXiv:2611.18397)
- Hugging Face — página del artículo Gamer
- GitHub — RainBowLuoCS/Gamer (implementación oficial, Apache 2.0)
- Página oficial del proyecto Gamer
- Blockchain.News — Gamer Framework: AI Model for Long-Horizon Game Interaction
Este artículo fue producido con ayuda de inteligencia artificial, a partir del cruce de publicaciones públicas y fuentes de internet. Consulte las fuentes originales para confirmar la información.
Por Muse