创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

Game2Player框架扩展可验证的游戏数据训练视觉智能体

AI 总结

Game2Player论文提出一种协同开发游戏环境与玩家的框架,用于收集可验证的游戏体验。Builder智能体改造现有网页游戏、公开其内部状态,并定义带有基于状态的进度指标和成功检查的任务。Coding Player和VLM Player尝试完成任务并报告问题以供修复,从而在验证环境的同时收集训练轨迹。作者称,该框架构建了568款经验证的网页游戏和3436项任务,并收集了1.57万条轨迹,共涵盖307小时游戏体验。他们将50款游戏留作PlayerBench基准。采用进度加权监督微调后,作者称Game2Player-9B在PlayerBench上的进度从14.3%提升至31.2%,在外部GameWorld基准上从30.0%提升至53.1%。

深度见解

该框架将可衡量的任务定义、环境验证和游戏数据收集整合为一个闭环,为扩展具有可验证结果、用于训练视觉智能体的数据提供了一种具体方法。

Computer Science > Computer Vision and Pattern Recognition

arXiv:2611.24154 (cs)

[Submitted on 18 Nov 2026]

Title:Game2Player: Scaling Gameplay Experience for Visual Agents through Environment-Player Co-Development

Authors:Xirui Jiang, Yuxi Chen, Rui Yang, Feng Luo, Pengcheng Wang, Bingxuan Li, Zihao Zhao, Yushan Li, Han Wang, Manling Li, Yang Zhang, Shiyu Chang, Tong Zhang, Huan Zhang

View a PDF of the paper titled Game2Player: Scaling Gameplay Experience for Visual Agents through Environment-Player Co-Development, by Xirui Jiang and 13 other authors

#Game2Player#Game2Player-9B#PlayerBench#GameWorld

原文约 3 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。