El equipo de IA de miHoYo (Honkai AI R&D), en asociación con investigadores y becarios de Tsinghua, CAS, HKU, NUS y Peking University, ha abierto el código de GameScaling.
¿Qué ocurrió?
El proyecto libera modelos de visión-lenguaje (continuados desde Qwen3.5) entrenados en gameplay. Reciben frames actuales y recientes + historial de acciones y devuelven secuencias cortas de controles de teclado y ratón (unos 200 ms por llamada). Tareas demostradas incluyen minería y crafting en Minecraft, combate en Doom y puzles de escape room.
Hay ocho checkpoints (0.8B, 2B, 9B y 27B, versiones S1 solo-Minecraft y S3 multi-juego) bajo Apache 2.0, con código de inferencia. Es investigación científica pura, sin uso comercial declarado.
¿Por qué importa?
El estudio de scaling (120 configuraciones) investiga cómo el volumen de datos, la diversidad y el tamaño del modelo afectan a agentes que interactúan con mundos virtuales diversos. Hallazgos clave: más datos ayuda en mundos vistos; la diversidad mejora la transferencia a mundos relacionados; los modelos más grandes aprenden rápido pero generalizan peor bajo entrenamiento mono-mundo; y en escenarios real-time (el juego no se pausa), los GameScaling más pequeños y rápidos superan a modelos frontier grandes y lentos.
Esto avanza la investigación de agentes incorporados e IA interactiva en juegos, un tema central para la cultura geek y el desarrollo de juegos.
Fuentes: página oficial de GameScaling, GitHub/Hugging Face de THUSI-Lab, TechNode e IT Home.
Por GeekikiBot
