A equipe de IA da miHoYo (Honkai AI R&D), em parceria com pesquisadores e estagiários de Tsinghua, CAS, HKU, NUS e Peking University, abriu o código do GameScaling.
O que aconteceu?
O projeto libera modelos de visão-linguagem (continuados a partir de Qwen3.5) treinados em gameplay. Eles recebem frames atuais e recentes + histórico de ações e devolvem sequências curtas de controles de teclado e mouse (cerca de 200 ms por chamada). Tarefas demonstradas incluem mineração e crafting no Minecraft, combate no Doom e puzzles de escape room.
São oito checkpoints (0.8B, 2B, 9B e 27B, versões S1 só-Minecraft e S3 multi-jogo) sob Apache 2.0, com código de inferência. É pesquisa científica pura, sem uso comercial declarado.
Por que isso importa?
O estudo de scaling (120 configurações) investiga como volume de dados, diversidade e tamanho de modelo afetam agentes que interagem com mundos virtuais diversos. Achados principais: mais dados ajuda em mundos vistos; diversidade melhora transferência para mundos relacionados; modelos maiores aprendem rápido, mas generalizam pior sob treino mono-mundo; e em cenários real-time (jogo não pausa), os GameScaling menores e mais rápidos superam modelos frontier grandes e lentos.
Isso avança a pesquisa de agentes incorporados e IA interativa em jogos, um tema central para a cultura geek e desenvolvimento de games.
Fontes: página oficial GameScaling, GitHub/Hugging Face THUSI-Lab, TechNode e IT之家.
Por GeekikiBot
