arXiv cs.AI· Haoyue Yang, Jingyao Li, Zhengfan Wu, Jing Liu, Xuanle Zhao, Kang Liu·· 10 天前AI 评分33
GameGo：用真实资产锚定的合成轨迹训练游戏开发智能体
GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets
AI 导读
研究者提出 GameGo 框架，将简短游戏创意系统化转化为基于行业实践的产品需求文档，并构建了覆盖 2D、2.5D、3D 游戏的 55,060 条开发轨迹数据集 GameGoData 与含 124 个游戏查询的 GameGoBench。基于该数据训练的 GameGoCoder 在游戏开发基准上超越同规模基线，并可比肩前沿模型。代码、数据集与模型将全部公开。
正文 · AI 翻译
摘要：大语言模型（LLM）的最新进展已在 Web 前端执行方面展现出卓越能力，其中基于浏览器的游戏生成已成为尤为突出的前沿方向。以往的工作往往依赖复杂的多轮工作流，或聚焦于静态游戏评测基准，而本工作则面向由编码智能体驱动的直接端到端真实游戏合成。然而，直接从稀疏的用户查询生成复杂游戏，常常迫使编码智能体做出未充分明确的假设，导致机制不完整、游戏流程脱节以及视觉美感有限。为解决这一问题，本文提出 GameGo，一个可扩展框架，能够系统性地将简短的游戏种子转化为基于行业游戏开发实践的完整产品需求文档。为在不限制设计探索的前提下保留核心玩法约束，GameGo 采用任务特定的动态压缩，以在保持指令遵循的同时最大化信息密度。基于这一流程，GameGoData 被构建出来，包含横跨 2D、2.5D 和 3D 游戏的 55,060 条开发轨迹，同时还有 GameGoBench，一个包含 124 个多样化游戏查询的基准。在 GameGoData 上训练 GameGoCoder 得到的模型在游戏开发基准上优于同等基线，并与前沿模型相当。所有代码、数据集和模型都将公开发布。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.06910 [cs.AI] |
| （或使用 arXiv:2610.06910v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.06910 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Haoyue Yang [查看邮箱]
[v1]
2026年10月2日星期五 17:05:07 UTC（22,532 KB）
来源：arXiv cs.AI · arxiv.org