論文の概要: Beyond Playtesting: A Generative Multi-Agent Simulation System for Massively Multiplayer Online Games

• arxiv url: http://arxiv.org/abs/2512.02358v1
• Date: Tue, 02 Dec 2025 03:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.696466
• Title: Beyond Playtesting: A Generative Multi-Agent Simulation System for Massively Multiplayer Online Games
• Title（参考訳）: マルチプレイヤーオンラインゲームのための生成型マルチエージェントシミュレーションシステムBeyond Playtesting
• Authors: Ran Zhang, Kun Ouyang, Tiancheng Ma, Yida Yang, Dong Fang,
• Abstract要約: 大規模言語モデル(LLM)を用いた生成エージェントに基づくMMOシミュレーションシステムを提案する。 LLMはゲーム固有の領域への一般的な優先順位から適応し、現実的で解釈可能なプレイヤーの意思決定を可能にする。 実験は、実際のプレイヤーの行動と介入下でのもっともらしい因果反応との強い整合性を示す。
• 参考スコア（独自算出の注目度）: 5.045496863924638
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimizing numerical systems and mechanism design is crucial for enhancing player experience in Massively Multiplayer Online (MMO) games. Traditional optimization approaches rely on large-scale online experiments or parameter tuning over predefined statistical models, which are costly, time-consuming, and may disrupt player experience. Although simplified offline simulation systems are often adopted as alternatives, their limited fidelity prevents agents from accurately mimicking real player reasoning and reactions to interventions. To address these limitations, we propose a generative agent-based MMO simulation system empowered by Large Language Models (LLMs). By applying Supervised Fine-Tuning (SFT) and Reinforcement Learning (RL) on large-scale real player behavioral data, we adapt LLMs from general priors to game-specific domains, enabling realistic and interpretable player decision-making. In parallel, a data-driven environment model trained on real gameplay logs reconstructs dynamic in-game systems. Experiments demonstrate strong consistency with real-world player behaviors and plausible causal responses under interventions, providing a reliable, interpretable, and cost-efficient framework for data-driven numerical design optimization.
• Abstract（参考訳）: MMO(Massively Multiplayer Online)ゲームにおけるプレイヤーエクスペリエンス向上には,数値システムと機構設計の最適化が不可欠である。 従来の最適化手法は、事前定義された統計モデルよりも大規模なオンライン実験やパラメータチューニングに頼っている。 単純化されたオフラインシミュレーションシステムは、しばしば代替手段として採用されるが、その限定された忠実さは、エージェントが実際のプレイヤーの推論や介入に対する反応を正確に模倣することを防ぐ。 これらの制約に対処するため,Large Language Models (LLMs) を用いた生成エージェントベースのMMOシミュレーションシステムを提案する。 大規模リアルプレイヤーの行動データにスーパーバイザードファインタニング(SFT)と強化学習(RL)を適用して,ゲーム固有の領域に LLM を適用することにより,現実的で解釈可能なプレイヤー決定を可能にする。 並行して、実際のゲームプレイログに基づいてトレーニングされたデータ駆動環境モデルが、動的ゲーム内システムを再構築する。 実験は、実世界のプレイヤーの行動と介入下での妥当な因果反応との強い整合性を示し、データ駆動型数値設計最適化のための信頼性、解釈可能、コスト効率のよいフレームワークを提供する。

関連論文リスト

• See, Think, Act: Online Shopper Behavior Simulation with VLM Agents [58.92444959954643]
  本稿では,視覚情報,特にWebページスクリーンショットのVLMによる動作シミュレーションへの統合について検討する。 我々は,協調行動予測と合理化生成にSFTを用いて,相互作用の完全な文脈を条件づける。 推論能力をさらに強化するため,RLを階層的な報酬構造と統合し,難易度因子によって拡張する。
  論文  参考訳（メタデータ） (2025-10-22T05:07:14Z)
• Dyna-Mind: Learning to Simulate from Experience for Better AI Agents [62.21219817256246]
  私たちは、現在のAIエージェントは、行動する前に、別の未来を精神的にシミュレートする能力である「悪意ある試行錯誤」を必要としていると論じます。 我々は、(V)LMエージェントに対して、そのようなシミュレーションを推論に組み込むように明示的に教える2段階のトレーニングフレームワークであるDyna-Mindを紹介した。
  論文  参考訳（メタデータ） (2025-10-10T17:30:18Z)
• AgentDynEx: Nudging the Mechanics and Dynamics of Multi-Agent Simulations [12.224345290091435]
  本稿では,AgentDynExを提案する。AgentDynExは,ユーザ特定力学とダイナミクスのシミュレーション構築を支援するAIシステムである。 ある技術的評価では、ヌードを使わずにシミュレーションがより複雑な力学を持ち、その顕著なダイナミクスを維持することができることがわかった。
  論文  参考訳（メタデータ） (2025-04-13T17:26:35Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• Generative Agents for Multi-Agent Autoformalization of Interaction Scenarios [3.5083201638203154]
  本稿では,GAMA(Generative Agents for Multi-Agent Autoformalization)フレームワークを紹介する。 GAMAは大規模言語モデル(LLM)を付加したエージェントを用いたシミュレーションにおける相互作用シナリオの形式化を自動化する 5つの2x2同時移動ゲームにおける110の自然言語記述の実験では、GAMAは100%構文的、76.5%の意味的正当性を達成している。
  論文  参考訳（メタデータ） (2024-12-11T22:37:45Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Data-Scarce Identification of Game Dynamics via Sum-of-Squares Optimization [29.568222003322344]
  マルチプレイヤーの正規形式ゲームにおけるゲームダイナミクスを識別するためのサイドインフォーム支援回帰(SIAR)フレームワークを提案する。 SIARは、SOS(sum-of-squares)最適化を用いて解決され、その結果、システムの真の力学に確実に収束する近似の階層となる。 SIARフレームワークは,未知のシステムがカオスであっても,通常のゲーム,広く知られているゲームダイナミクスのファミリー,強力なベンチマークの範囲で,プレーヤの挙動を正確に予測する。
  論文  参考訳（メタデータ） (2023-07-13T09:14:48Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Inferring Articulated Rigid Body Dynamics from RGBD Video [18.154013621342266]
  我々は,逆レンダリングと微分可能なシミュレーションを組み合わせるパイプラインを導入し,実世界の調音機構のディジタルツインを作成する。 本手法はロボットが操作する関節機構のキネマティックツリーを正確に再構築する。
  論文  参考訳（メタデータ） (2022-03-20T08:19:02Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。