通过 LLMs 进行游戏生成：视频游戏描述语言的研究

Apr, 2024

通过 LLMs 进行游戏生成：视频游戏描述语言的研究

Generating Games via LLMs: An Investigation with Video Game Description Language

Chengpeng Hu, Yunlong Zhao, Jialin Liu

TL;DR近期，大型语言模型的出现为过程性内容生成带来了新的机遇。这篇论文探讨了通过大型语言模型生成游戏的可能性，提出了一种基于视频游戏描述语言的大型语言模型框架，可以同时生成游戏规则和关卡。实验结果展示了这个框架如何根据不同的上下文进行生成，为过程性内容生成领域中的新游戏生成提供了新的见解。

Abstract

Recently, the emergence of large language models (LLMs) has unlocked new opportunities for procedural content generation. However, recent attempts mainly focus on level generation for specific games with defined

large language models procedural content generation game generation game rules levels generation

发现论文，激发创造

大型语言模型生成游戏关卡

本文探讨了使用大型语言模型 (LLMs) 生成 Sokoban 游戏关卡的可行性及效果，发现 LLMs 能够生成关卡，且其性能随数据集规模的提高而显著提高。同时，文章也介绍了控制 LLMs 关卡生成器的初步实验结果，并探讨了未来研究的有 promising 的方向。

Feb, 2023

大型语言模型与视频游戏：初步范围评估

基于近年来大型语言模型 (LLMs) 在游戏设计、开发和研究中的潜力，本文针对与游戏相关的 LLM 的最新研究进行了初步调研，总结了 2022 年至 2024 年初间与 LLMs 和视频游戏相关的 76 篇论文，主要关注游戏人工智能、游戏开发、叙事以及游戏研究和评论，为未来的研究和评论奠定了基础。

Mar, 2024

基于大语言模型的实用 PCG

该研究展示如何使用 LLMs 来生成名为 Metavoidal 的游戏的二维游戏房间，通过人为干预微调的方法，可以从仅 60 个手动设计的房间中生成 37% 的可玩新颖关卡，以适应 Procedural Content Generation（PCG）的全局和局部约束。

May, 2023

大型语言模型与游戏：调查与路线图

大语言模型（LLMs）在游戏中的应用和角色的综述和路线图，探讨了 LLMs 在游戏领域中未开发的领域和未来的发展方向。

Feb, 2024

通过大型语言模型在 Minecraft 中生成 3D 建筑

该论文研究了大型语言模型在游戏《Minecraft》中生成 3D 建筑的能力，提出了一种文本到《Minecraft》建筑的模型，实验结果表明，该模型能够根据特定的提示生成符合用户要求的完整建筑。

Jun, 2024

MarioGPT：基于大型语言模型的开放式文本生成技术

本文介绍一个 fine-tuned GPT2 模型 MarioGPT，它能够生成多样的游戏地图，实现可控制的 PCG。结合 Novelty search，该模型能够生成具有不同游戏动态特点的多样化地图，开创了文本 - 游戏地图的先河。

Feb, 2023

利用游戏视频进行联合级别生成和翻译

通过利用人类注释的游戏玩法视频，实现一种多重尾部框架，该框架学习执行同时水平转换和生成的任务，具有在 Level 传输中提高总体性能的潜力，并展示未来版本泛化到未见过游戏的可能性。

Jun, 2023

面向语言引导的交互式 3D 生成：LLMs 作为布局解释器与生成反馈

该研究提出了一种基于大型语言模型（LLMs）的 LI3D 系统，它集成了 LLMs 作为 3D 布局解释器到现有的布局生成模型中，使用户能够灵活且交互式地生成 3D 场景并且验证其有效性和性能。

May, 2023

Word2World: 通过大型语言模型生成故事和世界

通过 Word2World 系统，大型语言模型 (LLMs) 可以通过故事无需任何任务特定的微调，创造多样内容并提取信息，设计叙述性和以瓷砖在合适位置创建连贯世界和可玩游戏。

May, 2024

关于生成 AI 和 LLM 在视频生成、理解和流媒体方面的调查

本研究综述了生成人工智能（Generative AI）和大语言模型（LLMs）在视频技术领域中的应用，包括视频生成、理解和流媒体，强调了这些技术在产生高度逼真视频方面的创新应用，在实现现实世界动态与数字创作之间存在重大差距的时候迈出了重要一步。同时，作者还深入探讨了 LLMs 在视频理解方面的先进能力，展示了它们从视觉内容中提取有意义信息的有效性，从而提升了我们与视频的互动。在视频流媒体领域，本文讨论了 LLMs 如何为更高效、以用户为中心的流媒体体验做出贡献，将内容传递适应个体观众的偏好。通过梳理生成 AI 和 LLMs 在与多媒体、网络和人工智能社区相关的视频技术任务中的当前成就、持续挑战和未来可能性，本文突显出这些技术在推动视频技术领域发展方面的巨大潜力。

Jan, 2024