
米哈游的 AI 现在能自己玩《崩坏:星穹铁道》了:只看屏幕、不读游戏内存,40 项没见过的小游戏任务,平均成功率 49.7%。
一、它到底在游戏里干了什么
演示并不炫技,全是玩家最熟的流程:在雅利洛、仙舟「罗浮」、匹诺康尼推进主线,跟 NPC 走、清矿区、打首领战。评测设计更值得看。《崩坏:星穹铁道》里选了两个支线任务和七个小游戏,包括「枘凿六合」「引航罗盘」「筑梦拼图」这类需要空间理解的玩法,团队强调这些内容没进训练集。
它做的不是"打赢这一局"
Gamer 面对的任务定义是"把这个目标做完",不是"赢下当前战斗"。主线动辄二十分钟、几十次交互,中间一次判断失误就让后面全盘偏移。这正是大模型智能体最容易崩的地方。
官方口径很克制
外界第一反应是外挂。研究团队在项目页写明:Gamer 是探索交互环境通用智能体的学术研究,潜在方向是游戏测试、无障碍辅助、人机交互,不背书作弊、未授权访问或利用漏洞。
二、5Hz 看画面,30Hz 敲键盘
技术上最硬的一段在这里:Gamer 不读游戏内部数据,也不调用游戏 API。输入只有一个——每秒 5 帧截取的游戏画面;输出是等效每秒 30 帧的原生键盘按键状态与鼠标位移。
对游戏客户端来说,它和真人的操作没区别。
不看内存,才跨得了游戏
读内存的方案跑分漂亮,一出实验室就废:换版本、换分辨率、换 UI 全崩。纯视觉方案笨、慢,却天然跨游戏。据 GameSpark 报道,Gamer 的基座是阿里开源的 Qwen3-VL(8B)。
团队用超过一万小时的跨游戏键鼠轨迹做继续预训练,把不同游戏的控制格式统一成键鼠表示,再用稀疏思考指令微调压掉无效推理,最后用时序感知强化学习训练长程策略。重点不是让模型更懂游戏,是让它更懂"手该往哪放"。
三、1306 毫秒压到 65 毫秒
实时交互的瓶颈不在模型多大,在推理延迟。团队自研 Streaming-vLLM,在 NVIDIA H200 上把端到端请求延迟从 1306 毫秒压到 65.12 毫秒,接近 20 倍。
职业选手反应时间约 150 毫秒,普通玩家 250 毫秒以上。单看延迟,它比人快。但 H200 是数据中心卡,一台机器同时服务多个模拟环境——论文里的"实时"是机房的实时。
四、49.7% 才是重点
40 项未见任务,强化学习后的 Gamer-RL 平均成功率 49.7%,高于未微调的通用模型。这个数字常被一笔带过,却是全文最诚实的地方。
一半失败意味着:跟箭头走、按提示按键它跑得通;一旦要真正的空间推理、多步试错、记住三分钟前的线索,它就开始掉链子。
主线能过,小游戏过不去
主线有强引导,NPC 会等你、任务标记会指路;小游戏没有。这恰好说明当前智能体擅长"照做",不擅长"想明白"。以 49.7% 的成功率,它连托管日常都做不到——真让它替你刷深渊,你得盯着它重试两遍。
五、谁最该紧张:不是外挂商
外挂产业不会用这套东西。成本高、延迟依赖机房、行为特征还特别容易被反作弊抓到,性价比低得离谱。
被顶到墙角的是 QA。持续运营的手游每个版本都要回归测试几十上百条流程,人力成本高、重复度高、容易漏。一个能自己跑完主线、复现崩溃路径的智能体,对研发团队的价值远大于对玩家的冲击。
游戏正在变成数据工厂
能稳定产出高质量长程交互数据的场景不多,游戏是其中最便宜的一个。把游戏当训练场,再把智能体反哺测试与下一代产品,这条链路比"AI 帮你打游戏"值钱得多。
六、我的判断
最值得记住的不是 49.7%,而是"5Hz 画面 + 30Hz 键鼠 + 不读内存"这条路线跑通了:不需要厂商配合,纯视觉智能体也能进入任何一个 3D 世界。这对游戏行业是机会,对软件行业是提醒。
玩家会不会被代打取代?短期不会。风险在两三年后——如果能力被蒸馏到端侧、成本降到可接受,第一个被改变的不会是游戏体验,而是"账号行为"的判定规则。
Gamer 能不能替玩家打日常
A:不能。40 项未见小游戏任务成功率 49.7%,主线依赖强引导;日常委托、深渊这类需要稳定重复执行的内容,失败重试成本高于手动。
会被拿去做外挂吗
A:短期概率低。它需要 H200 级算力、依赖云端推理、延迟敏感,输入输出特征与真人差异明显;团队也在项目页明确反对作弊与未授权访问。
普通玩家什么时候能用上
A:没有时间表。只公开了基础预训练阶段的部分文件,数据与权重未开源,许可 CC BY-NC-SA 4.0 禁止商用,更像能力验证而非产品预告。
以上数据核实自 arXiv 论文页与各家报道,完整行业快讯见 GameHub 游戏资讯 专区。
你手上那款每天要清体力的游戏,愿意交给一个 49.7% 成功率的 AI 点吗?