飞行、失败、修复：基于强化学习和大型多模态模型的迭代游戏修复
人工智能
2025-07-18 v1 机器学习
摘要
游戏设计取决于理解静态规则和内容如何转化为动态玩家行为——这正是现代生成系统所难以捕捉的，因为它们仅检查游戏的代码或资产。我们提出一种自动化设计迭代框架，通过将强化学习（RL）代理进行游戏玩法测试，与大型多模态模型（LMM）进行游戏修订来弥合这一差距。在每个循环中，RL玩家完成多个剧集，产生（i）数值玩法指标和/或（ii）概述最近视频帧的紧凑图像条带。LMM设计师接收游戏目标和当前游戏配置，分析玩法轨迹，并编辑配置以引导未来行为朝向目标。我们展示了LMM能够针对由RL代理提供的行为轨迹进行迭代性细化游戏机制的成果，指向实用且可扩展的AI辅助游戏设计工具。
引用
@article{arxiv.2507.12666,
title = {Fly, Fail, Fix: Iterative Game Repair with Reinforcement Learning and Large Multimodal Models},
author = {Alex Zook and Josef Spjut and Jonathan Tremblay},
journal= {arXiv preprint arXiv:2507.12666},
year = {2025}
}
备注
Published at Reinforcement Learning and Video Games workshop https://sites.google.com/view/rlvg-workshop-2025/home