**Gamer:首个通用视觉语言动作模型,实现长周期实时游戏智能体** _Gamer: A Generalist Vision-Language-Action
原帖
**Gamer:首个通用视觉语言动作模型,实现长周期实时游戏智能体**
_Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent_
> 论文提出了 Gamer,一个专为复杂交互环境中长周期任务设计的通用智能体框架。该模型采用端到端架构,整合了感知、记忆管理与多步推理,并支持从 2D 图形界面到 3D 模拟世界的广泛交互。研究通过在数万小时设备级键盘鼠标操作数据上预训练,结合稀疏思维指令微调与稳定多回合强化学习,有效解决了上下文窗口限制与稀疏奖励问题。实验表明,Gamer 在多个具有挑战性的 3D 开放世界游戏中展现了与熟练玩家相当的泛化能力与运行效率,证明了基于重复操作轨迹的大规模数据训练在物理与数字混合环境中的巨大潜力。
**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-16 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.18397)