迈向通用游戏智能，清华、米哈游开源 GameScaling 系列模型

清华与米哈游等机构联合开源首个通用游戏模型 GameScaling 系列，覆盖 0.8B、2B、9B、27B 四档规模共八个模型，权重与推理代码以 Apache 2.0 协议发布。

该模型可依据游戏画面、任务提示和交互历史输出键鼠操作，支持多款不同机制游戏的交互任务，部分中小规模模型可在单张消费级或专业显卡上实现实时游戏交互，在《我的世界》相关基准测试中取得了优异表现。

团队通过控制变量实验，系统研究了游戏机制迥异场景下 Scaling Law 的有效性，发现训练分为动作格式适配的接口阶段和世界知识学习的世界阶段，提升数据多样性可大幅增强跨游戏迁移能力，更大的模型吸收经验效率更高但单游戏长期训练反而可能在差异大的陌生世界表现退步，现有 Scaling Law 在训练覆盖的世界中可有效估计学习收益，但对差异较大的未见世界无法通过单纯扩大模型和数据量获得稳定提升。

同时该模型在实时游戏交互评测中表现优于多款主流前沿大模型，验证了低时延决策对游戏智能的重要性。该开源项目为通用游戏智能的后续研究提供了可检验的研究起点。