米哈游公布通用视觉语言动作基础模型 Gamer,可自主游玩《崩坏:星穹铁道》等游戏
IT之家 11 月 17 日消息,米哈游旗下《崩坏》系列 AI 研发团队现已公布通用视觉语言动作基础模型“Gamer”。该模型能够模拟真人操作方式自主游玩 3D 和 2D 游戏。根据研究论文及项目页面公开的信息,Gamer 无需读取游戏内部数据,也不依赖游戏专用 API,而是通过每秒 5 帧(5 Hz)的频率采集游戏画面作为输入,再生成相当于 30 Hz 的原生键盘按键状态及鼠标移动指令,从而模拟真人使用键鼠操作游戏的过程。为了解决长时间执行任务时面临的内存限制和推理延迟问题,研究团队利用超过 1 万小时的跨游戏键鼠操作轨迹进行持续预训练,并结合稀疏思维指令微调和时序感知强化学习优化模型。此外,团队还专门开发了名为“Streaming-vLLM”的推理引擎。在 NVIDIA H200 硬件环境下,该引擎将端到端请求延迟从 1306 毫秒大幅降低至 65.12 毫秒。研究团队还展示了 Gamer 在《崩坏:星穹铁道》中执行主线任务、探索场景及完成解谜挑战的实机演示。测试数据显示,经过强化学习训练的 Gamer-RL 在 40 项此前未接触过的小游戏任务中,平均成功率达到 49.7%,表现优于未经微调的通用模型。针对外界担忧该技术可能被用于开发游戏外挂和自动化脚本,研究团队强调,Gamer 是一项旨在探索交互环境通用智能代理的学术研究项目,潜在应用方向包括游戏测试、无障碍辅助以及人机交互研究。团队明确表示,不支持将 Gamer 用于游戏作弊、未经授权访问、利用安全漏洞,以及任何损害用户利益或破坏游戏公平性的行为。出于数据安全方面的考虑,米哈游研究团队目前仅公开了项目早期基础预训练研究阶段使用的通用文件,并未公开任何《崩坏:星穹铁道》相关训练数据,也没有发布使用该游戏数据训练或微调后的模型权重。