北京
做游戏AI的团队不少，但把模型规模从0.8B一路铺到27B、还全部开源的，不多。米哈游崩坏AI研发团队这次拉上了清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学等机构，联合推出GameScaling系列游戏模型，并已开源。
研究团队围绕游戏场景中的模型规模扩展规律（Scaling Law）展开研究，一共发布了8个模型检查点，参数规模覆盖0.8B至27B。这个组合本身就说明了一件事：他们要观察的不是单个模型能不能打，而是模型变大之后，游戏操作能力会怎么变。
它到底在做什么
按项目团队在GitHub页面的描述，该系列模型基于Qwen3.5视觉语言模型继续预训练，训练数据涉及键盘和鼠标操作的游戏过程。
模型接收的是当前游戏画面、此前的部分画面以及操作记录，输出的是后续的键盘和鼠标操作指令，用来控制游戏角色行动。输入是屏幕，输出是手。
每次调用会生成覆盖约200毫秒的操作序列，其中包含6个、每个持续33毫秒的操作步骤，以及鼠标移动和滚轮指令。项目介绍提到，该系列模型面向实时游戏交互设计，具体运行速度会受到模型规模、硬件配置和推理负载等因素影响。
8个版本怎么分
该系列共开源8个模型版本，分为0.8B、2B、9B和27B四种参数规模，每种规模各有S1、S3两个版本。
- S1：仅使用《我的世界》游戏数据进行训练
- S3：采用多游戏混合数据，《我的世界》数据占比为27%
- 各版本均使用了1600小时的游戏数据进行训练
在游戏场景方面，GameScaling支持《我的世界》《毁灭战士》等不同类型的游戏任务，包括在《我的世界》中采矿、合成物品和对抗僵尸，在《毁灭战士》中战斗与寻路，以及在密室场景中完成解谜和逃脱任务。
部署门槛摆得很清楚
项目仓库列出了不同模型的显存占用及推理部署方式。0.8B、2B和9B版本的权重均可在单张GPU上部署；27B版本则需要两张GPU进行张量并行推理。
项目提供推理客户端、提示词模板、操作解析代码和示例程序，并支持通过vLLM部署模型服务。代码与模型权重采用Apache 2.0许可证。
研究团队还发布了相关论文《Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds》，探讨通过持续预训练提升模型在多种虚拟游戏环境中的操作能力。相关资料和模型权重可通过项目主页、GitHub仓库及Hugging Face模型库获取。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
