Nachrichten

Gamer-Framework: KI-Modell für langfristige Spielinteraktion

Gamer, ein neues KI-Framework, integriert Wahrnehmung, Gedächtnis und Denken für eine effiziente Interaktion in 2D und 3D -Umgebungen.

Thematische redaktionelle Illustration
Redaktionelle Illustration; kein Foto des Ereignisses.

Übersetzter Artikel. Originalartikel lesen.

Forscher haben Gamer eingeführt, ein generalistisches KI-Framework für Vision-Sprache-Handlung, das für langfristige Aufgaben in komplexen 2D - und 3D -interaktiven Umgebungen konzipiert ist. Veröffentlicht am 2026-11-16 auf arXiv (2611.18397), ist das Framework ein bedeutender Schritt in Richtung der Schaffung von generalistischen Agenten, die in digitalen und physischen Bereichen operieren können. Das Projekt wurde auch auf GitHub open-sourced, was eine breitere Annahme und Zusammenarbeit ermöglicht.

Hauptmerkmale und Trainingsmethodik

Die Architektur von Gamer integriert Wahrnehmung, Gedächtnisverwaltung und mehrstufiges Denken in ein einheitliches Framework. Das Modell wird mithilfe eines mehrstufigen Prozesses trainiert:

  • Fortlaufendes Vortraining: Gamer nutzt zehntausende Stunden an Tastatur- und Mausinteraktionsdaten aus simulierten Spielen und verkörperten Umgebungen. Dies ermöglicht dem Modell, Umgebungsdynamiken sowohl in physischen als auch in virtuellen Bereichen zu lernen.
  • Sparse-Thinking-Anweisungstuning: Dieser Schritt reduziert redundante Berechnungen, während die für komplexe Entscheidungen erforderlichen Denkfähigkeiten erhalten bleiben.
  • Multi-Turn-Verstärkungslernen: Eine stabile Trainingsmethode, die Herausforderungen wie finite Kontextfenster, akkumulierte Rollout-Fehler und spärliche Belohnungen angeht, sorgen für eine effektive langfristige Interaktion.

Leistung und Echtzeitinteraktion

Gamer zeigt starke Generalisierung und Effizienz über verschiedene Benchmarks hinweg. In 3D -open-world-Spielen schneidet es vergleichbar mit erfahrenen menschlichen Spielern ab. Auch auf traditionellen 2D -Spielbenchmarks erzielt es wettbewerbsfähige Ergebnisse. Die Cloud-Edge-Inferenz-Engine des Frameworks unterstützt die Ausführung ohne Kontextgrenzen und hält die Latenz niedrig, was eine Echtzeitinteraktion in mehreren simulierten Umgebungen ermöglicht.

Open-Source-Implementierung

Die offizielle Implementierung von Gamer ist auf GitHub (https://github.com/RainBowLuoCS/Gamer) verfügbar. Das Repository enthält detaillierte Dokumentation, Video-Demonstrationen und eine Lizenz unter Apache 2.0 . Der Open-Source-Release zielt darauf ab, die Zusammenarbeit zu fördern und weitere Fortschritte bei allgemeinen KI-Agenten zu ermöglichen.

Die Entwicklung von Gamer hebt das Potenzial hervor, Daten und Lernalgorithmen zu skalieren, um Agenten zu trainieren, die in der Lage sind, komplexe langfristige Aufgaben in unterschiedlichen Umgebungen zu bewältigen. Dieser Ansatz könnte den Weg für breitere Anwendungen von KI in digitalen und physischen Welten ebnen.

Weitere Artikel auf Deutsch · Finanzvergleiche und SEC-Quellen (Englisch)