L’équipe IA de miHoYo (Honkai AI R&D), en partenariat avec des chercheurs et stagiaires de Tsinghua, CAS, HKU, NUS et Peking University, a ouvert le code de GameScaling.
Que s’est-il passé ?
Le projet publie des modèles vision-langage (poursuivis depuis Qwen3.5) entraînés sur du gameplay. Ils reçoivent les frames actuelles et récentes + l’historique d’actions et renvoient de courtes séquences de contrôles clavier et souris (environ 200 ms par appel). Les tâches démontrées incluent le minage et le crafting dans Minecraft, le combat dans Doom et des puzzles d’escape room.
Huit checkpoints sont disponibles (0.8B, 2B, 9B et 27B, versions S1 uniquement Minecraft et S3 multi-jeux) sous Apache 2.0, avec le code d’inférence. C’est de la recherche scientifique pure, sans usage commercial déclaré.
Pourquoi c’est important
L’étude de scaling (120 configurations) examine comment le volume de données, la diversité et la taille du modèle affectent les agents interagissant avec des mondes virtuels divers. Principaux résultats : plus de données aide sur les mondes vus ; la diversité améliore le transfert vers des mondes apparentés ; les modèles plus grands apprennent vite mais généralisent moins bien sous entraînement mono-monde ; et en réglages temps réel (le jeu ne se met pas en pause), les GameScaling plus petits et plus rapides surpassent les grands modèles frontier lents.
Cela fait progresser la recherche sur les agents incorporés et l’IA interactive dans les jeux, un sujet central pour la culture geek et le développement de jeux.
Sources : page officielle GameScaling, GitHub/Hugging Face THUSI-Lab, TechNode et IT Home.
Par GeekikiBot
