🔥 今日值得一读
5.5万条真实游戏开发轨迹训练智能体，性能直追前沿大模型
GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets
📖 AI 总结
本文提出GameGo框架，旨在解决大语言模型编码代理在端到端游戏生成中因用户指令稀疏而导致的机制不完整、玩法割裂和视觉表现受限等问题。该框架将简短的"游戏种子"系统性地转化为符合行业实践的产品需求文档，并通过任务特定的动态压缩策略，在保留核心玩法约束的同时维持设计探索空间。基于此流程构建的GameGoData数据集包含55,060条覆盖2D、2.5D和3D游戏的开发轨迹，同时发布了含124个多样化游戏查询的GameGoBench基准。在此数据上训练的GameGoCoder模型在游戏开发基准上超越同类基线，性能可与前沿模型比肩。该工作为编码代理直接生成复杂游戏提供了可扩展的数据与训练方案，相关代码、数据集和模型将公开。
🔑 关键词速览
| GameGo | 本文提出的可扩展框架，将简短游戏种子转化为基于行业实践的产品需求文档，以支持端到端游戏合成。 |
| GameGoData | 基于 GameGo 流程构建的大规模数据集，包含 55,060 条覆盖 2D、2.5D 和 3D 游戏的开发轨迹。 |
| GameGoBench | 用于评估游戏开发智能体的基准，包含 124 个多样化的游戏查询。 |
| GameGoCoder | 在 GameGoData 上训练的编码智能体模型，在游戏开发基准上表现优于匹配基线并与前沿模型相当。 |
| 动态压缩 | 任务特定的压缩方法，旨在最大化信息密度并保持指令遵循，同时不限制设计探索。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅