miHoYo y Tsinghua publican en abierto GameScaling: de 0,8B a 27B, operación en tiempo real y compromisos de transferencia entre mundos
Según un reporte del medio chino Machine Heart del 5 de noviembre de 2026, miHoYo, junto con la Universidad de Tsinghua, la Universidad de Hong Kong, la Universidad Nacional de Singapur y otras instituciones, publicó en abierto la serie GameScaling, con ocho modelos de juego que cubren cuatro escalas de 0,8B a 27B; el reporte señala que los pesos y el código de inferencia se publicaron bajo Apache 2.0 y que pueden generar operaciones de teclado y ratón en tiempo real a partir de la imagen del juego y las indicaciones de tarea.
Qué ha cambiado
Según un reporte del medio chino Machine Heart del 5 de noviembre de 2026, miHoYo, junto con la Universidad de Tsinghua, la Universidad de Hong Kong, la Universidad Nacional de Singapur y otras instituciones, publicó en abierto la serie GameScaling, compuesta por ocho modelos que cubren cuatro escalas: 0,8B, 2B, 9B y 27B; el reporte afirma que tanto los pesos como el código de inferencia se publicaron bajo la licencia Apache 2.0. El modelo recibe imágenes del juego, indicaciones de tarea e historial de interacción reciente, y produce operaciones de teclado y ratón para los siguientes 200 milisegundos. Entre los escenarios mostrados están minar, fabricar y combatir zombis en Minecraft, combatir y navegar en Doom, y encontrar una salida en tareas de escape de escenarios. El equipo afirma que la serie se basa en la familia Qwen3.5 mediante preentrenamiento continuo, usando trayectorias de juego de la comunidad de código abierto para conectar el conocimiento del modelo de visión-lenguaje con operaciones ejecutables. Los experimentos examinaron por separado el tamaño del modelo, el presupuesto de datos (seis niveles, de 50 a 1600 horas) y la diversidad de datos (cinco proporciones), formando 120 configuraciones controladas; la evaluación se extendió desde Minecraft y Doom, cubiertos en entrenamiento, hasta mundos 3D similares no vistos y mundos 2D y 2.5D con mayores diferencias de perspectiva y mecanismos de operación. Las cifras que da el reporte incluyen: en las 30 tareas del benchmark MCU de Minecraft, GameScaling-27B-S1 alcanzó una tasa de éxito promedio de 63,3%; según mediciones del equipo, los seis modelos de 0,8B a 9B pueden acercarse a 5 observaciones por segundo y 30 pasos de acción por segundo en una sola H200 o RTX 5090; con el mismo presupuesto de 1600 horas, el entrenamiento mixto con varios juegos obtuvo en los siete mundos 3D relacionados no vistos de OmniGameArena una puntuación promedio de aproximadamente 2,8 veces la de entrenar solo con Minecraft; en la configuración de evaluación en tiempo real del artículo, GameScaling-9B-S3 alcanzó un promedio de 25,3 en cuatro benchmarks, superior al máximo de 19,2 de los modelos frontera de OpenAI, Anthropic y Google evaluados, y el reporte también aclara que esa comparación incluye el impacto de la latencia de despliegue y servicio. El equipo también describió el ritmo de aprendizaje de una temprana «fase de interfaz» y una posterior «fase de mundo»: los beneficios de la segunda dependen más de qué juegos ha experimentado el modelo, y la pérdida en mundos lejanos puede incluso aumentar; ajustaron una ley de escalado empírica de la pérdida de validación para los mundos cubiertos en entrenamiento, pero para mundos no vistos con diferencias mayores, seguir aumentando datos y tamaño del modelo no produjo mejoras estables. Los autores señalan que actualmente se centran en explorar el fenómeno de escalado entre mundos y que todavía no han optimizado específicamente para el rendimiento final en juegos.
Impacto para desarrolladores
Este no es un modelo que pueda sustituir directamente una interfaz de chat. La salida de GameScaling es una secuencia de acciones de teclado y ratón de duración fija; la unidad real de integración es un bucle cerrado del lado del juego: capturar fotogramas, concatenar la indicación de tarea y el historial de interacción, llamar al modelo, inyectar las acciones en el juego y capturar el siguiente fotograma. La ventana de acción de 200 milisegundos ata la frecuencia de observación con la tasa de pasos de acción; las cifras del reporte —unas 5 observaciones por segundo y 30 pasos de acción por segundo— corresponden a esa división, por lo que el rendimiento no es una métrica opcional, sino una condición para poder cerrar el bucle. Para los desarrolladores hay tres impactos concretos. Primero, la disponibilidad depende de la configuración del sufijo y no del nombre de la familia: 27B-S1, 9B-S3 y 2B-S3 son checkpoints distintos, el número S corresponde a distintas proporciones de diversidad de datos, y las puntuaciones del reporte no se pueden trasladar entre esos checkpoints; antes de elegir hay que determinar cuál se quiere reproducir. Segundo, el reporte limita la conclusión de interacción en tiempo real en una sola tarjeta a los seis modelos de 0,8B a 9B; el 63,3% de 27B es una tasa de éxito en el marco de las tareas MCU y no viene acompañado de una cifra de rendimiento equivalente, así que leerlo como «27B también puede operar en tiempo real» excede el alcance del reporte. Tercero, la conclusión de transferencia tiene dirección: la diversidad de datos ayuda claramente en mundos 3D similares, pero en mundos 2D y 2.5D, donde perspectiva y mecanismos de operación difieren más, el reporte dice explícitamente que seguir añadiendo datos y modelos no produce mejoras estables e incluso puede empeorar. Si el objetivo no es 3D en primera persona con semántica de teclado y ratón, estos pesos se parecen más a un punto de partida valioso que a una solución lista para producción. En cuanto a la licencia, Apache 2.0 es una afirmación del reporte; la autorización real depende de los archivos del repositorio y de la ficha del modelo, y conviene verificar por cuenta propia si el preentrenamiento continuo está sujeto a términos de origen.
Integración y evaluación
Las tres siguientes son recomendaciones y análisis condicionales basados en el reporte, no hechos verificados ni una lista genérica de migración. Decisión uno: responder primero si «el juego puede pausarse». El reporte separó en dos modos la prueba de «pausar el juego mientras el modelo piensa» y «el juego sigue ejecutándose», y bajo el criterio de ejecución continua da un resultado de 9B-S3 con promedio de 25,3 en cuatro benchmarks, superior al máximo de 19,2 de los modelos frontera evaluados, y aclara que esa comparación incluye el impacto de la latencia de despliegue y servicio. Elección: si el guion permite pausas, por ejemplo juegos por turnos o demostraciones automáticas dentro de un editor, se puede usar un modelo más grande o incluso un modelo frontera alojado como decisor, cambiando pausa por capacidad; si el juego debe ejecutarse de forma continua, por ejemplo combate en tiempo real o entornos multijugador, conviene limitar los candidatos a las escalas para las que el reporte da cifras de rendimiento en una sola tarjeta, y tomar la latencia como primer criterio de filtrado. Condición: el estado de tu entorno sigue cambiando durante la inferencia. Criterio medible: en tu propio encapsulado del juego, medir la proporción de decisiones que «siguen siendo válidas cuando llegan» y la mediana y la cola larga de la latencia extremo a extremo de una decisión, no solo el tiempo de inferencia de un fotograma; la ventana de acción de 200 milisegundos puede servir como punto de partida para alinear el criterio. Decisión dos: elegir la proporción de datos según la distancia entre el mundo objetivo y la cobertura de entrenamiento, no según la cantidad de parámetros. El reporte afirma que, con el mismo presupuesto de 1600 horas, el entrenamiento mixto con varios juegos obtuvo en siete mundos 3D relacionados no vistos una puntuación promedio de aproximadamente 2,8 veces la de entrenar solo con Minecraft, mientras que en mundos 2D y 2.5D más lejanos no hubo mejoras estables. Elección: si el objetivo es 3D en primera persona con semántica de teclado y ratón similar a Minecraft y Doom, conviene empezar por los checkpoints de mezcla multijuego; las versiones de un solo juego sirven mejor como línea base de contraste. Si el objetivo es un juego con gran diferencia de perspectiva o espacio de acciones, no hay que esperar que cambiar a un checkpoint más grande resuelva el problema, sino asignar el presupuesto a cobertura de mundos y retroalimentación de interacción; el reporte también señala que «aprender a partir de la retroalimentación de éxito o fracaso» sigue siendo un eslabón ausente. Condición: puedes determinar si el juego objetivo está del lado de «3D similar» o de «mundo más lejano». Criterio medible: definir tareas reservadas en el juego objetivo, hacer un A/B con el mismo criterio de éxito, comparar la tasa de éxito y la varianza por tarea entre la proporción mixta y la de un solo juego, y registrar la diferencia entre presupuestos de 50 horas y 1600 horas. Decisión tres: tratar el 63,3% de MCU como un filtro, no como un valor prometido. Esa es la tasa de éxito promedio de GameScaling-27B-S1 en las 30 tareas del benchmark MCU de Minecraft, y el criterio está ligado a un conjunto de tareas, un checkpoint y una configuración de evaluación concretos. Elección: crear o reproducir primero un conjunto fijo de tareas y después decidir si se invierte cómputo en la escala de 27B, en lugar de preparar primero las tarjetas gráficas y buscar luego una métrica. Condición: tu versión del juego, mods y frecuencia de observación son suficientemente cercanos a la configuración del artículo; de lo contrario, una comparación entre criterios distintos no tiene sentido. Criterio medible: tasa de éxito y rango de variación con el mismo conjunto de tareas y varias semillas, e indicar si el juego estaba pausado o en ejecución continua durante la evaluación; el reporte trata ambos modos por separado, y mezclarlos haría perder comparabilidad a las cifras.
Límites y cuestiones pendientes
La serie GameScaling no aparece actualmente en el catálogo de modelos en vivo de KimiSeek. La disponibilidad mencionada en este artículo se refiere a los pesos y el código de inferencia que el propio proyecto publicó en Hugging Face y GitHub, según el criterio del equipo y del fabricante; esta versión no es un modelo ya listado en KimiSeek, KimiSeek no ofrece su punto de acceso de llamadas, y si el reporte menciona disponibilidad de API o servicio, se refiere al proveedor. La base Qwen3.5 mencionada en el reporte tampoco tiene una correspondencia exacta en el catálogo; otras versiones de Qwen del catálogo son versiones diferentes y no permiten inferir capacidades o precios a partir de ellas. Otras incógnitas y límites: el reporte no detalla los archivos de licencia concretos de los pesos y el código de inferencia; Apache 2.0 es solo una afirmación de la fuente, y hay que verificar por cuenta propia si el preentrenamiento continuo hereda términos de origen. Las cifras de rendimiento en una sola tarjeta y la comparación de 25,3 frente a 19,2 se produjeron en la forma de despliegue e invocación descrita por el reporte; no hay evidencia de que se mantengan al cambiar de hardware, de versión del juego o de espacio de acciones. El 63,3% de MCU no especifica si corresponde al modo pausado o al de ejecución continua. La evaluación cubre un conjunto limitado de tareas y varios mundos no vistos; no se abordan la estabilidad a largo plazo, la recuperación tras interrupciones ni el rendimiento en entornos multijugador o de confrontación. El propio equipo indica que actualmente se centra en explorar el fenómeno de escalado entre mundos y que aún no ha optimizado para el rendimiento final en juegos; tratarlo como una solución de IA para juegos lista para producción excedería el alcance del reporte.