← 全部模型资讯

米哈游联合清华开源 GameScaling:0.8B 至 27B,实时操作与跨世界迁移的取舍

据机器之心 2026 年 11 月 5 日报道,米哈游联合清华大学、香港大学、新加坡国立大学等机构开源 GameScaling 系列共八个游戏模型,覆盖 0.8B 至 27B 四档,报道称权重与推理代码均以 Apache 2.0 发布,可根据画面与任务提示实时生成键鼠操作。

发布 更新

发生了什么

据机器之心 2026 年 11 月 5 日报道,米哈游联合清华大学、香港大学、新加坡国立大学等机构开源 GameScaling 系列,共八个模型,覆盖 0.8B、2B、9B、27B 四档规模,报道称权重与推理代码均以 Apache 2.0 协议发布。模型接收游戏画面、任务提示和近期交互历史,输出未来 200 毫秒的键盘与鼠标操作,被展示的场景包括在《我的世界》中采矿、合成、打僵尸,在 Doom 中战斗与导航,以及在场景逃脱任务中寻找出路。团队称该系列基于 Qwen3.5 系列做持续预训练,用开源社区的游戏轨迹把视觉语言模型的知识与可执行操作连接起来。实验把模型规模、数据预算(50 至 1600 小时共六档)与数据多样性(五种配比)分开考察,形成 120 组受控配置;评测从训练覆盖的 Minecraft 和 Doom 延伸到未见过的相近 3D 世界,以及视角与操作机制差异更大的 2D、2.5D 世界。报道给出的数字包括:《我的世界》MCU 基准 30 项任务中 GameScaling-27B-S1 平均成功率 63.3%;0.8B 至 9B 的六个模型据团队实测可在单张 H200 或 RTX 5090 上接近每秒 5 次观测、每秒 30 步动作;同为 1600 小时预算下,多游戏混合训练在 OmniGameArena 七个未见过的相关 3D 世界中的平均得分约为只训练 Minecraft 的 2.8 倍;在论文的实时评测设置下,GameScaling-9B-S3 在四个基准上的平均分达到 25.3,高于所测 OpenAI、Anthropic、Google 前沿模型的最高值 19.2,报道也说明该比较包含部署与服务延迟的影响。团队还描述了早期「接口阶段」与随后「世界阶段」的学习节奏:后一阶段的收益更依赖模型经历过哪些游戏,对遥远世界的损失甚至会上升;对训练覆盖的世界拟合了验证损失的经验 Scaling Law,但对差异较大的未见世界,继续增加数据与模型规模并未带来稳定改善。作者表示当前侧重探索跨世界的 Scaling 现象,尚未针对最终游戏表现做特定优化。

对开发者的影响

这不是可以直接替换聊天接口的模型。GameScaling 的输出是固定时长的键鼠动作序列,接入的实际单位是一个游戏侧闭环:抓帧、拼接任务提示与交互历史、调用模型、把动作注入游戏、再抓下一帧。200 毫秒的动作窗口把观测频率与动作步率绑在一起,报道给出的「每秒约 5 次观测、每秒 30 步动作」正对应这种切分,因此吞吐不是可选指标,而是能否闭环的前提。对开发者有三点具体影响。第一,可用性取决于后缀配置而非家族名:27B-S1、9B-S3、2B-S3 是不同的检查点,S 编号对应不同的数据多样性配比,报道里的分数不能在这些检查点之间搬运,选型前必须先确定要复现的是哪一个。第二,报道把单卡实时交互的结论限定在 0.8B 至 9B 的六个模型上,27B 的 63.3% 是 MCU 任务口径的成功率,并未附带同等的吞吐数字,把它读成「27B 也能实时」超出了报道范围。第三,迁移结论带方向性:数据多样性对相近 3D 世界帮助明显,但对 2D、2.5D 这类视角与操作机制差别更大的世界,报道明确说继续加数据、加模型没有稳定改善,甚至可能更差。如果目标不是第一人称 3D 加键鼠语义,这批权重更接近一个有价值的起点,而不是可上线的方案。许可方面,Apache 2.0 是报道陈述,实际授权以仓库与模型卡文件为准,尤其要自行核对持续预训练是否受上游条款约束。

接入与评估建议

以下三条是基于报道的条件性建议与分析,不是已核实的事实,也不是通用迁移清单。 决策一,先回答「游戏能不能暂停」。报道把「模型思考时暂停游戏」和「游戏持续运行」分成两种模式测试,并在持续运行口径下给出 9B-S3 四基准平均 25.3、高于所测前沿模型最高值 19.2 的结果,同时说明该比较包含部署与服务延迟的影响。选择:若剧本允许暂停,例如回合制、编辑器内的自动演示,可以用更大的模型甚至托管的前沿模型当决策器,用暂停换能力;若游戏必须持续运行,例如实时战斗或多人环境,就应把候选限制在报道给出单卡吞吐数字的档位,把延迟当作首要筛选条件。前提:你的环境状态在推理期间仍会变化。可测标准:在自己的游戏封装里统计「决策到达时仍然有效」的比例,以及单次决策端到端延迟的中位数与长尾,而不是只测单帧推理时间;200 毫秒的动作窗口可作为对齐口径的起点。 决策二,按目标世界与训练覆盖的距离选数据配比,而不是按参数量选。报道称同为 1600 小时预算时,多游戏混合训练在七个未见过的相关 3D 世界平均分约为只训练 Minecraft 的 2.8 倍,而更远的 2D、2.5D 世界没有稳定改善。选择:目标是与 Minecraft、Doom 相近的第一人称 3D 键鼠语义时,优先从多游戏混合的检查点起步,单游戏版本更适合当对照基线;目标是视角或动作空间差异很大的游戏时,不要指望换更大的检查点解决问题,而应把预算放到世界覆盖与交互反馈上,报道也把「利用成败反馈学习」列为仍缺失的环节。前提:你能判断目标游戏属于「相近 3D」还是「更远世界」这一侧。可测标准:在目标游戏里划出留出任务,用同一套成功判定做 A/B,比较混合配比与单游戏配比的成功率和逐任务方差,并记录 50 小时与 1600 小时两档预算下的差值。 决策三,把 MCU 的 63.3% 当筛选项而不是承诺值。那是 GameScaling-27B-S1 在《我的世界》MCU 基准 30 项任务上的平均成功率,口径绑定具体任务集、检查点与评测设置。选择:先自建或复现一套固定任务集,再决定是否投入 27B 档的算力,而不是先备好显卡再找指标。前提:你的游戏版本、模组与观测频率与论文设置足够接近,否则跨口径比较没有意义。可测标准:同任务集、多种子下的成功率及其波动范围,并注明评测时游戏是暂停还是持续运行——报道把两种模式分开处理,混用会让数字失去可比性。

限制与待确认事项

GameScaling 这一系列当前未出现在 KimiSeek 的实时模型目录中,本文中的可用性指的是项目自身在 Hugging Face 与 GitHub 上放出的权重与推理代码,属于团队与厂商侧口径;这一版本并非 KimiSeek 已上架模型,KimiSeek 不提供其调用入口,报道若涉及 API 或服务可用性,指向的是提供方。报道提到的 Qwen3.5 基座在目录中也没有精确对应项,目录中的其他 Qwen 版本属于不同版本,不能据此推断能力或价格。 其余未知与边界:报道未展开权重与推理代码的具体许可文件细节,Apache 2.0 只是来源陈述;持续预训练是否继承上游条款需自行核对。单卡吞吐数字与 25.3 对 19.2 的比较都发生在报道所描述的部署与调用方式下,换硬件、换游戏构建、换动作空间后是否成立没有证据。MCU 的 63.3% 未说明对应暂停模式还是持续运行模式。评测覆盖的是有限任务集与若干个未见世界,长时程稳定性、中断恢复、多人或对抗环境中的表现均未涉及。团队自己表示当前侧重探索跨世界 Scaling 现象,尚未针对最终游戏表现做优化,把它当成可直接上线的游戏 AI 方案会超出报道范围。

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

迈向通用游戏智能,清华、米哈游开源 GameScaling 系列模型

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。