研究使用大语言模型（LLM）来执行《星际争霸 II》游戏中的实时战略任务的有效性，介绍了 SwarmBrain，利用 LLM 在游戏环境中进行实时战略执行的体系代理，包括高级战略的 Overmind Intelligence Matrix 和基本单位操控的 Swarm ReflexNet，实验结果显示 SwarmBrain 在经济增长、领土扩张和战术制定等方面具有能力，并能在与电脑对手的对抗中取得胜利。

Jan, 2024

本研究通过使用一系列强化学习技术，包括层次化体系结构、课程转移学习和战斗模型等方法，在 StarCraft II 游戏上进行了训练，并获得了高胜率。我们还将我们的方法与 mini-AlphaStar 进行比较，证明了该方法的有效性。

Sep, 2022

这篇论文在 StarCraft II 这个具有挑战性的强化学习环境中，利用大量的离线数据集和机器学习方法，建立了一个新的基准 AlphaStar Unplugged，提出了离线强化学习的前沿技术，并且取得了 90% 的胜率。

Aug, 2023

本文介绍了基于深度强化学习的智能体 StarCraft Commander (SCC)，通过优化效率和以少量复杂度达到媲美 GM 级水平及击败职业玩家的成果，为进一步在复杂即时策略游戏方向探究提供了可能与展望。该成果对应用深度学习模型进行模仿学习和强化学习进行了关键分析和优化。

Dec, 2020

本论文研究了适用于 StarCraft II 游戏的分层强化学习方法，其中包括宏动作、双层分层结构以及课程转移学习算法，取得了较好的游戏成绩并证明了其强泛化性能。

Sep, 2018

介绍了一种基于《星际争霸 II》游戏的增强学习环境 SC2LE，通过使用该环境，可以探索深度强化学习算法和架构。

Aug, 2017

本研究基于 AlphaStar 的技术，利用多项创新性技术，如新型联赛训练方法、配合规则的策略搜索、稳定的策略改进、轻量级神经网络架构、模仿学习中的重要性采样等，开发出一款名为 TStarBot-X 的 AI 代理程序，在计算能力有限制条件下可以与人类玩家进行竞争，研究结果对于如 StarCraft 这类复杂问题的学术和工业研究可能具有重要意义。

Nov, 2020

使用大型语言模型在游戏中评估策略推理能力的跨领域基准 (GameBench) 显示，虽然大多数测试模型并不及人类水平，但对策略推理能力的两种框架（CoT 和 RAP）能够提高分数。

Jun, 2024

本研究采用基于深度强化学习的方法构建了一款名为 LastOrder 的机器人，旨在提高 StarCraft 游戏中宏观行动的选择。实验表明，LastOrder 在 AIIDE'17 StarCraft AI 比赛中排名前列，证明了该方法的有效性。

Dec, 2018

本文中，我们提出了两种基于深度强化学习框架和分层动作空间的 AI 智能体 TStarBot1 和 TStarBot2，并评估它们在星际争霸 II 全场游戏中的表现，成功地战胜了从 1 至 10 级内置 AI 对手，标志着深度强化学习在星际争霸 II AI 研究领域取得了重要进展。

Sep, 2018