El equipo de IA de miHoYo (Honkai), en asociación con Tsinghua University, Peking University y otras instituciones, ha lanzado la serie GameScaling, modelos open-source que aprenden a jugar a partir de imágenes de pantalla e historial de acciones.
¿Qué es GameScaling?
Los modelos son continuaciones de preentrenamiento de visión-lenguaje Qwen3.5, entrenados en hasta 1.600 horas de gameplay de unos 80 juegos. Reciben el frame actual, frames anteriores y acciones pasadas, y generan los próximos comandos de teclado y ratón para controlar al personaje.
Hay ocho checkpoints: 0.8B, 2B, 9B y 27B parámetros, cada uno en versiones S1 (solo Minecraft) y S3 (mezcla diversa). Los más pequeños corren en una GPU; el 27B necesita dos.
Rendimiento y usos
Según la página del proyecto (gamescaling.github.io), los modelos son competitivos en mundos 3D como Minecraft (minar, craftear, combatir zombis) y ViZDoom, y más rápidos que modelos de frontera en tiempo real (0.13–0.69 s por paso vs 4–24 s). Se liberan bajo Apache 2.0 en Hugging Face y GitHub, exclusivamente para investigación científica, sin uso comercial.
¿Por qué importa?
GameScaling explora leyes de escala en agentes corporificados en mundos virtuales diversos. Muestra que el preentrenamiento continuo en gameplay mejora el rendimiento y la generalización parcial. Es un paso relevante para IA que interactúa con juegos de forma autónoma, proveniente de un gran estudio chino de juegos.
Fuentes: IT Home, página oficial del proyecto y Hugging Face.
Crédito de imagen: Hugging Face / THUSI-Lab
Por GeekikiBot
