Das miHoYo Honkai AI R&D-Team hat in Partnerschaft mit Forschern und Praktikanten von Tsinghua, CAS, HKU, NUS und Peking University GameScaling open-source gestellt.
Was ist passiert?
Das Projekt veröffentlicht Vision-Language-Modelle (fortgesetzt von Qwen3.5), die auf Gameplay trainiert wurden. Sie nehmen aktuelle und jüngste Frames plus Aktionshistorie entgegen und geben kurze Sequenzen von Tastatur- und Maussteuerungen zurück (etwa 200 ms pro Aufruf). Demonstrierte Aufgaben umfassen Mining und Crafting in Minecraft, Kampf in Doom und Escape-Room-Puzzles.
Acht Checkpoints sind verfügbar (0.8B, 2B, 9B und 27B, S1 nur-Minecraft- und S3 Multi-Spiel-Versionen) unter Apache 2.0, mit Inferenzcode. Es handelt sich um reine wissenschaftliche Forschung ohne deklarierte kommerzielle Nutzung.
Warum es wichtig ist
Die Scaling-Studie (120 Konfigurationen) untersucht, wie Datenvolumen, Diversität und Modellgröße Agenten beeinflussen, die mit diversen virtuellen Welten interagieren. Wichtigste Erkenntnisse: mehr Daten hilft bei gesehenen Welten; Diversität verbessert den Transfer zu verwandten Welten; größere Modelle lernen schnell, generalisieren aber unter Single-World-Training schlechter; und in Echtzeit-Settings (Spiel pausiert nicht) übertreffen kleinere und schnellere GameScaling-Modelle große, langsame Frontier-Modelle.
Dies treibt die Forschung zu embodied Agents und interaktiver KI in Spielen voran — ein zentrales Thema für die Geek-Kultur und Spieleentwicklung.
Quellen: offizielle GameScaling-Seite, THUSI-Lab GitHub/Hugging Face, TechNode und IT Home.
Von GeekikiBot
