論文の概要: Cardiverse: Harnessing LLMs for Novel Card Game Prototyping

• arxiv url: http://arxiv.org/abs/2502.07128v1
• Date: Mon, 10 Feb 2025 23:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:45.687693
• Title: Cardiverse: Harnessing LLMs for Novel Card Game Prototyping
• Title（参考訳）: Cardiverse:新しいカードゲームプロトタイプのためのハーネスングLSM
• Authors: Danrui Li, Sen Zhang, Sam S. Sohn, Kaidong Hu, Muhammad Usman, Mubbasir Kapadia,
• Abstract要約: カードゲームは創造的なアイデアとゲームプレイ評価において広範囲の人的努力を必要とする。 大規模言語モデルの最近の進歩は、これらのプロセスの自動化と合理化の機会を提供する。 本稿では,カードゲームの自動プロトタイピングフレームワークを導入することで,これらの課題に対処する。
• 参考スコア（独自算出の注目度）: 9.435009911810955
• License:
• Abstract: The prototyping of computer games, particularly card games, requires extensive human effort in creative ideation and gameplay evaluation. Recent advances in Large Language Models (LLMs) offer opportunities to automate and streamline these processes. However, it remains challenging for LLMs to design novel game mechanics beyond existing databases, generate consistent gameplay environments, and develop scalable gameplay AI for large-scale evaluations. This paper addresses these challenges by introducing a comprehensive automated card game prototyping framework. The approach highlights a graph-based indexing method for generating novel game designs, an LLM-driven system for consistent game code generation validated by gameplay records, and a gameplay AI constructing method that uses an ensemble of LLM-generated action-value functions optimized through self-play. These contributions aim to accelerate card game prototyping, reduce human labor, and lower barriers to entry for game developers.
• Abstract（参考訳）: コンピュータゲームのプロトタイピング、特にカードゲームは、創造的なアイデアとゲームプレイ評価において、広範囲にわたる人間の努力を必要とする。 大規模言語モデル(LLM)の最近の進歩は、これらのプロセスの自動化と合理化の機会を提供する。 しかし、LLMが既存のデータベースを超えて新しいゲーム力学を設計し、一貫したゲームプレイ環境を生成し、大規模評価のためのスケーラブルなゲームプレイAIを開発することは依然として困難である。 本稿では,カードゲームの自動プロトタイピングフレームワークを導入することで,これらの課題に対処する。 本手法では,新たなゲームデザインを生成するためのグラフベースのインデックス作成手法,ゲームプレイレコードによって検証された一貫したゲームコード生成システム,および自己再生により最適化されたLLM生成アクション値関数のアンサンブルを用いたゲームプレイAI構築手法を強調する。 これらの貢献は、カードゲームのプロトタイピングを加速し、人間の労力を減らし、ゲーム開発者の参入障壁を低くすることを目的としている。

関連論文リスト

• Unbounded: A Generative Infinite Game of Character Life Simulation [68.37260000219479]
  生成モデルを用いて,有限なハードコードシステムの境界を超越したゲームである生成無限ゲームの概念を導入する。 我々は、生成AIの最近の進歩を活用して、生成モデルに完全にカプセル化されたキャラクターライフシミュレーションゲームUnboundedを作成する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:31Z)
• Grammar-based Game Description Generation using Large Language Models [12.329521804287259]
  Game Description Language (GDL) は、様々なゲームを機械可読形式で表現するための標準化された方法を提供する。 本稿では,Large Language Models(LLM)を利用して,自然言語から文法的に正確なゲーム記述を生成する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-24T16:36:02Z)
• GAVEL: Generating Games Via Evolution and Language Models [40.896938709468465]
  我々は,Ludiiゲーム記述言語における新規ゲームの生成について検討する。 我々は、コードとして表現されたゲームやメカニクスをインテリジェントに変更し、再結合するモデルを訓練する。 生成されたゲームのサンプルは、Ludiiポータルからオンラインでプレイすることができる。
  論文  参考訳（メタデータ） (2024-07-12T16:08:44Z)
• Instruction-Driven Game Engines on Large Language Models [59.280666591243154]
  IDGEプロジェクトは、大規模な言語モデルが自由形式のゲームルールに従うことを可能にすることで、ゲーム開発を民主化することを目的としている。 我々は、複雑なシナリオに対するモデルの露出を徐々に増大させるカリキュラム方式でIDGEを訓練する。 私たちの最初の進歩は、汎用的なカードゲームであるPoker用のIDGEを開発することです。
  論文  参考訳（メタデータ） (2024-03-30T08:02:16Z)
• On Automating Video Game Regression Testing by Planning and Learning [3.746904317622708]
  本稿では,あるゲーム面の回帰テストを自動化する手法とワークフローを提案する。 基本的な考え方は、詳細なゲームログとインクリメンタルアクションモデル学習技術を使用して、フォーマルモデルを維持することである。 本稿では,ワークフローにおけるモデリング専門家の必要性を最小限に抑えるか,あるいは取り除くための第一歩を示す。
  論文  参考訳（メタデータ） (2024-02-16T14:28:25Z)
• GameEval: Evaluating LLMs on Conversational Games [93.40433639746331]
  大規模言語モデル(LLM)を評価する新しいアプローチであるGameEvalを提案する。 GameEvalはLSMをゲームプレイヤーとして扱い、様々な形式の会話を起動することで達成した特定の目標にそれぞれ異なる役割を割り当てる。 我々は,GameEvalが様々なLLMの能力を効果的に差別化することができ,複雑な問題を解決するための統合能力を総合的に評価できることを示した。
  論文  参考訳（メタデータ） (2023-08-19T14:33:40Z)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Tile Embedding: A General Representation for Procedural Level Generation via Machine Learning [1.590611306750623]
  タイルをベースとした2Dゲームのための,統一的で手頃な表現であるタイル埋め込みを提案する。 我々は、既存の人間の注釈付きゲームからタイルの視覚的および意味的な情報に基づいて訓練されたオートエンコーダを採用する。 我々は、この表現を、目に見えないタイルの余裕を予測し、注釈付きゲームや注釈なしゲームのためのPLGML表現として機能する能力に基づいて評価する。
  論文  参考訳（メタデータ） (2021-10-07T04:48:48Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。