Noticias

Marco Gamer: Modelo de IA para Interacción en Juegos de Largo Horizonte

Gamer, un nuevo marco de IA, integra percepción, memoria y razonamiento para una interacción eficiente en entornos 2D y 3D .

Ilustración editorial temática
Ilustración editorial; no es una fotografía del suceso.

Artículo traducido. Consultar el artículo original.

Investigadores han presentado Gamer, un marco generalista de IA de visión-lenguaje-acción diseñado para tareas de largo horizonte en entornos interactivos complejos de 2D y 3D . Publicado en 2026-11-16 , en arXiv (2611.18397), el marco es un paso significativo hacia la creación de agentes generalistas que puedan operar en dominios digitales y físicos. El proyecto también se ha open-sourced en GitHub, permitiendo una adopción y colaboración más amplias.

Características Clave y Metodología de Entrenamiento

La arquitectura de Gamer integra percepción, gestión de memoria y razonamiento multi-paso en un marco unificado. El modelo se entrena utilizando un proceso de múltiples etapas:

  • Preentrenamiento Continuo: Gamer aprovecha decenas de miles de horas de datos de interacción de teclado y ratón de juegos simulados y entornos incorporados. Esto permite que el modelo aprenda la dinámica ambiental en dominios tanto físicos como virtuales.
  • Ajuste de Instrucción de Razonamiento Disperso: Este paso reduce el cálculo redundante mientras mantiene las capacidades de razonamiento necesarias para una toma de decisiones compleja.
  • Aprendizaje por Refuerzo de Múltiples Turnos: Un método de entrenamiento estable que aborda desafíos como ventanas de contexto finitas, errores de despliegue acumulados y recompensas dispersas, permitiendo una interacción efectiva a largo horizonte.

Rendimiento e Interacción en Tiempo Real

Gamer demuestra una fuerte generalización y eficiencia a través de varios puntos de referencia. En los juegos de mundo abierto de 3D , rinde comparativamente a jugadores humanos hábiles. También logra resultados competitivos en benchmarks de juegos tradicionales de 2D . El motor de inferencia en la nube y en el borde del marco soporta ejecución de contexto ilimitado y mantiene baja latencia, permitiendo interacción en tiempo real en múltiples entornos simulados.

Implementación de Código Abierto

La implementación oficial de Gamer está disponible en GitHub (https://github.com/RainBowLuoCS/Gamer). El repositorio incluye documentación detallada, demostraciones en video y una licencia bajo Apache 2.0 . El lanzamiento de código abierto tiene como objetivo fomentar la colaboración y el avance de los agentes de IA generalistas.

El desarrollo de Gamer destaca el potencial de escalar datos y algoritmos de aprendizaje para entrenar agentes capaces de tareas complejas y de largo horizonte en diversos entornos. Este enfoque podría allanar el camino para aplicaciones más amplias de IA en mundos digitales y físicos.

Más artículos en español · Datos e investigación