小型语言模型生成动态游戏内容的高质量方案：一个概念验证
人工智能
2026-05-20 v2
摘要
大型语言模型 (LLM) 为动态游戏内容生成提供了前景，但面临着叙事不连贯和高运营成本等关键障碍。由于其庞大体积，常在云端访问，限制了其在离线游戏中的应用。许多实际问题通过转向小型语言模型 (SLM) 得以解决，但现有使用 SLM 的研究结果仍表现出差劲的输出质量。我们提出了一种通过对精心限定任务进行激进微调、以狭窄上下文、受限结构或两者兼有的训练策略，来实现高质量 SLM 生成的策略。简而言之，更具挑战性的任务需要更狭窄的范围和更高的训练语料库专业化。训练数据通过基于 DAG 的方法人工生成，使模型 grounded 在特定游戏世界中。这样的模型可作为围绕叙事学框架设计的 agentic 网络的基础，代表比依赖云端 LLM 更实用和可靠的解决方案。为验证这一方法，我们提出一个概念证明，聚焦于作为基本构建块的单个专门 SLM。我们引入一个最小 RPG 循环，围绕声誉的修辞性战斗，由此模型驱动。我们展示，一个简单的重试直至成功策略能够达到足够质量（如由 LLM 作为评判者所定义的），且延迟可预测，适用于实时生成。尽管本地质量评估仍是开放问题，但我们的结果表明，在典型游戏引擎约束下，实时生成是可行的。
引用
@article{arxiv.2601.23206,
title = {High-quality generation of dynamic game content via small language models: A proof of concept},
author = {Morten I. K. Munk and Arturo Valdivia and Paolo Burelli},
journal= {arXiv preprint arXiv:2601.23206},
year = {2026}
}