米哈游Gamer模型:8B参数自主玩星穹铁道50小时
8B参数,50小时自主运行
8B参数,50小时自主运行
米哈游崩坏AI研发团队近日发布了一项新研究,名叫Gamer。
米哈游这是打算亲自下场,研究所谓的“官方脚本”了?(doge)
这项研究里,最直观的画面是——
AI自己把《崩坏:星穹铁道》玩了起来,这事说出来你可能不太信。
键盘鼠标全交给AI,一上手就能和可可利亚过招。

遇到场景机关,它照样能处理。走到“气泡弹珠”跟前启动装置,被弹到另一片区域,落地后继续跑。

跟着NPC跑图也没问题:流萤在前头带路,AI在后头跟着,上楼梯、拐弯,一路跑到广场。

打Boss、开机关、跟人跑图,这些AI全学会了。
那以后充值页面里,会不会多出一个“AI代肝”选项?
(注:米哈游推出的《崩坏:星穹铁道》是一款以银河冒险为题材的回合制角色扮演游戏。玩家搭乘星穹列车前往各个世界,靠跑图、对话与解谜推动剧情,同时编组角色队伍展开回合制战斗。)
VLA代肝,不烧心
说回正题。米哈游给Gamer的定位,是面向长流程、实时交互的通用视觉—语言—动作(VLA)基础模型。

前面演示中玩《崩铁》的主力版本,是团队基于参数量80亿的Qwen3-VL-8B进一步训练出来的。
画面和任务摆在那里,它据此判断按哪些键、鼠标往哪儿移、什么时候点下去,然后再把操作真正执行出来。
换句话说,视觉信号是屏幕画面,任务指令告诉它该做什么,键鼠操作就是它输出的动作。
以往也有AI玩游戏,Gamer这次最突出的地方,是把跨游戏的实时操作和长流程中的记忆、规划,装进了同一套VLA框架。

实际运行时,模型判断全靠屏幕画面、任务指令和已有记忆,不用读取游戏内部接口,也不用读底层状态。
任务往前走,它还会动态记下“刚才完成了什么”、“下一步准备干什么”。
论文里还给了一组实测数据:评估覆盖五个主线篇章、总计约50小时的《崩铁》长流程,Gamer自主运行时间占比超过95%。

为了达到这个效果,研究设计了一套三阶段训练流程:
先用跨游戏数据练操作,再用任务示范补上思考和记忆,最后让模型进游戏,靠试错和反馈继续提升。
第一阶段是持续预训练(Continued Pre-Training,CPT),让已经能理解图文的基座模型进一步学会操作游戏。
具体做法是,团队把不同游戏的录屏和玩家操作对齐,让模型去学画面与动作之间的关系:人物往前走,场景会怎么变;鼠标往右移,镜头会转向哪里。
所有操作最终被统一成键鼠格式,不同游戏的数据因此得以汇入同一套训练流程。
实际运行时,Gamer每200毫秒抓取一帧画面,随后一次性规划出六个动作块,每块约33毫秒,对应30Hz的控制节奏。
说白了,就是瞄一眼画面,先把眼前这一小段动作排好,再依据新画面接着调整。
微调环节同样下了功夫。团队梳理出约1000小时高质量的《崩铁》演示,把训练目标拆成具体操作、阶段性小目标和完整任务三个层次,教模型如何把动作串起来。
这里有两处工程设计颇为实用,瞄准的都是长流程中的推理延迟和上下文膨胀问题。
–“稀疏思考”机制:路线明确时直接照着走,不必展开推理;一旦路线走不通、目标变了或者出现新的交互提示,才启动推理。 –记忆摘要机制:旧记录快要被挤出上下文之前,模型会先把任务进展、失败的尝试、关键地点以及下一步计划记下来,后续操作就能照着这些记录走。
-“稀疏思考”:沿着确定的路线前进,可以直接操作;遇到路线失败、目标切换或者新的交互提示,再展开推理。
到了在线强化学习阶段,团队拿出了TA-GRPO:把长流程切成由记忆衔接的片段,对比不同尝试在对应阶段的表现,再用游戏环境核验出的结果去更新模型。
有没有抵达目标地点、当前任务有没有做完,这些都能当作训练反馈;训练后台则承担初始化和核验的工作。
配套的Streaming-vLLM推理引擎也帮了忙:它能复用已经处理过的上下文,并把生成且核验完毕的动作块提前输出,让游戏画面先动起来,操作延迟因此被大幅压低。
实验测试
跨游戏实验中,团队测试的是Gamer的CPT版本,覆盖《我的世界》、基于《毁灭战士》的ViZDoom,以及OmniGameArena、GameWorld等多个游戏环境。
在《我的世界》里,它能自行转动视角锁定史莱姆,追上前挥剑劈砍:

换到第一人称射击游戏ViZDoom,它也能快速拉枪瞄准,对着逼近的敌人连续点射:

在上述四项公共基准上,Gamer-8B-CPT的平均得分为29.5;所列通用模型对照中,最高的也只有17.6。
七类小游戏、共40个未参与训练的任务里,基座模型仅拿到3.2%,CPT后升到15.0%,SFT后提高到39.2%,加上强化学习更是达到49.7%——
同场竞技的通用模型中,最高分来自GPT-6.1-Sol,仅为17.1%。

这些结果印证了团队的核心判断:借助统一的键鼠接口,把跨游戏学习、长期记忆与实时操作捏合在一起,AI便能在复杂游戏中持续执行任务,并在交互中不断变强。
论文结尾还提到,这类能力可用于自动化测试、加快游戏迭代,也能支撑新的玩法机制,开发成本有望随之下降。
游戏成了AI的练习场,练出来的AI再回头帮人做游戏。
团队介绍
最后看看这项研究背后的团队。
论文贡献者名单共列出8位共同一作,其中5位是在米哈游实习期间参与该项目的:

Run Luo:新加坡国立大学计算机科学博士生,参与过GUI-R1、OpenOmni等项目,在Gamer中负责三阶段训练、数据、基础设施及评测建设。

张宽(Kuan Zhang):清华大学人工智能学院博士生,GameScaling与GameVerse共同一作,主要承担持续预训练、数据及评测建设。
他在个人主页中写道,自己是英雄联盟大师段位玩家。

Qi Deng 是米哈游崩坏AI研发团队的成员,强化学习、训推基础设施以及数据与评测建设由他负责。
Yukun Chen 在中国科学院大学读研究生,是 GameScaling 的共同第一作者,也是多模态推理研究 RuCL 的第一作者,监督微调、数据及评测建设是他的主要分工。
Zhihao Yang 在中国科学院大学读计算机专业博士,本科出自同济大学,主攻游戏与智能体方向,项目里他承担强化学习、数据及评测建设。

Yufei Zhang 也来自米哈游崩坏AI研发团队,训练与推理基础设施建设由其主要负责。
Renrong Hu 同样在米哈游崩坏AI研发团队,基准(Benchmark)建设与评测是他的主要分工。
Yi Zhang 来自中国科学技术大学,在米哈游实习期间参与了这个项目,主要做基准建设与评测。
其他论文贡献者可以到论文主页查看。
把视角拉远看,这支米哈游崩坏AI研发团队已经铺开AI NPC、游戏智能体与研发自动化三大方向,大模型在游戏体验革新和工业化管线中的落地,是他们持续在探的路。论文指导者之一郑银河,就是《崩坏》系列AI NPC与Gameplay技术团队的负责人。
郑银河此前在云栖大会上讲过《崩铁》的AI帕姆,也讲过赋能内部研发的Agent平台EchoX。学术方面,团队还和高校联合推出GameScaling与Video-Arena,前者探明跨游戏持续预训练的Scaling Law,后者考察模型对动态游戏画面的理解边界。
参考链接 [1]https://arxiv.org/html/2611.18397v1 [2]https://mihoyo-gamer.github.io/