論文の概要: CreativeGame:Toward Mechanic-Aware Creative Game Generation

• arxiv url: http://arxiv.org/abs/2604.19926v1
• Date: Tue, 21 Apr 2026 19:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.756669
• Title: CreativeGame:Toward Mechanic-Aware Creative Game Generation
• Title（参考訳）: CreativeGame:Toward Mechanic-Aware Creative Game Generation
• Abstract要約: 本報告では,HTML5 ゲーム生成を反復的に行うマルチエージェントシステム textbfCreativeGame について述べる。 目標は、ひとつのステップで再生可能なアーティファクトを生成するだけでなく、解釈可能なバージョンからバージョンへの進化をサポートすることだ。 このシステムは、アーキテクチャ分析、報酬検査、および実際の系統レベルのケーススタディをサポートするのに十分である。
• 参考スコア（独自算出の注目度）: 11.963704067344358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models can generate plausible game code, but turning this capability into \emph{iterative creative improvement} remains difficult. In practice, single-shot generation often produces brittle runtime behavior, weak accumulation of experience across versions, and creativity scores that are too subjective to serve as reliable optimization signals. A further limitation is that mechanics are frequently treated only as post-hoc descriptions, rather than as explicit objects that can be planned, tracked, preserved, and evaluated during generation. This report presents \textbf{CreativeGame}, a multi-agent system for iterative HTML5 game generation that addresses these issues through four coupled ideas: a proxy reward centered on programmatic signals rather than pure LLM judgment; lineage-scoped memory for cross-version experience accumulation; runtime validation integrated into both repair and reward; and a mechanic-guided planning loop in which retrieved mechanic knowledge is converted into an explicit mechanic plan before code generation begins. The goal is not merely to produce a playable artifact in one step, but to support interpretable version-to-version evolution. The current system contains 71 stored lineages, 88 saved nodes, and a 774-entry global mechanic archive, implemented in 6{,}181 lines of Python together with inspection and visualization tooling. The system is therefore substantial enough to support architectural analysis, reward inspection, and real lineage-level case studies rather than only prompt-level demos. A real 4-generation lineage shows that mechanic-level innovation can emerge in later versions and can be inspected directly through version-to-version records. The central contribution is therefore not only game generation, but a concrete pipeline for observing progressive evolution through explicit mechanic change.
• Abstract（参考訳）: 大規模な言語モデルでは、プレイ可能なゲームコードを生成することができるが、この機能を‘emph{iterative creative improvement’に変換することは難しいままである。 実際には、シングルショット生成は、不安定なランタイム動作、バージョン間の経験の弱い蓄積、信頼性の高い最適化信号として機能するには主観的すぎるクリエイティビティスコアを生成することが多い。 さらに制限されているのは、メカニクスは計画、追跡、保存、世代間の評価が可能な明示的なオブジェクトとしてではなく、ポストホックな記述としてのみ扱われることである。 本報告では,HTML5ゲーム生成を反復的に行うマルチエージェントシステムである「textbf{CreativeGame}」について,純粋なLCM判定ではなくプログラム信号を中心としたプロキシ報酬,クロスバージョンエクスペリエンスの蓄積のためのラインスコープメモリ,修復と報酬の両方に統合された実行時検証,検索したメカニック知識をコード生成開始前に明示的なメカニックプランに変換するメカニック誘導計画ループを提示する。 目標は、ひとつのステップで再生可能なアーティファクトを生成するだけでなく、解釈可能なバージョンからバージョンへの進化をサポートすることだ。 現在のシステムには71の保存された系統、88の保存されたノード、754のグローバルなメカニックアーカイブが含まれており、インスペクションと視覚化ツールとともに6{,}181行のPythonで実装されている。 したがって、システムは、素早いレベルのデモだけでなく、アーキテクチャ分析、報酬検査、実際の系統レベルのケーススタディをサポートするのに十分である。 実際の4世代の系統は、メカニックレベルの革新が後のバージョンで出現し、バージョン・ツー・バージョン・レコードを通じて直接検査可能であることを示している。 したがって、中心的な貢献はゲーム生成だけでなく、明示的な機械的変化を通じて進化的な進化を観察するための具体的なパイプラインである。

関連論文リスト

• An Exploratory Case Study of LLM-Assisted Refactoring and Gameplay Feature Generation in an Endless Runner Game [0.0]
  本稿では,Python/Pygame endless runner における GPT-4o の探索的ケーススタディを提案する。 本稿では,既存のゲームソフトウェアシステムにおけるLLM支援・ゲームプレイ機能生成の可能性と限界について,透明なケースベースで考察する。
  論文  参考訳（メタデータ） (2026-06-19T07:19:08Z)
• GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine? [65.42976417627254]
  ゲーム生成はゲームエンジン内で行われ、スクリプト、シーン、アセット、レンダリング、実行時インタラクションは共同でコヒーレントなゲームプレイを生成する必要がある。 我々は、完全なゲームアーティファクトを生成する問題として、エンド・ツー・エンドのゲーム生成を形式化する。 我々は、このフレームワークを15のゲームファミリーで140のGodotタスクからなるベンチマークであるGameCraft-Benchとしてインスタンス化する。
  論文  参考訳（メタデータ） (2026-06-16T12:34:39Z)
• PatchWorld: Gradient-Free Optimization of Executable World Models [69.05094454437402]
  我々は、オフラインのトラジェクトリを実行可能なPythonの世界モデルに変換する、勾配のないフレームワークであるPatchWorldを紹介します。 7つのAgentGym環境の中で、PatchWorld-Simpleはコードベースの計画スコアが最も高い。 人間の特定残差バイアスは, 表面観察精度を向上するが, 判定性は低下する。
  論文  参考訳（メタデータ） (2026-05-29T06:11:14Z)
• GUI Agents for Continual Game Generation [22.25472214301186]
  ゲーム生成の評価と改善にはプレイヤーが必要であると我々は主張する。 ブラウザベースのゲーム生成タスク200と,期待されるインプレイ動作のルーリックをペアリングする,新たな評価環境であるPlaytestArenaを紹介する。 本稿では,ゲームエージェントとGUIエージェントが共有メモリを持つ持続ループで動作し,ゲーム生成をコーディングとプレイの対話に変換するPlay2Codeを提案する。
  論文  参考訳（メタデータ） (2026-05-27T10:08:48Z)
• Runtime Evaluation of Procedural Content Generation in an Endless Runner Game Using Autonomous Agents [0.0]
  本稿では,実行時地形の生成,環境オブジェクトの生成,自律エージェントによる評価を1つのゲームプレイループに統合するエンドレスランナゲームを提案する。 この作業では、評価を別のオフラインパスとして扱うのではなく、生成とバリデーションを同じランタイムループ内で統一する方法を実証している。
  論文  参考訳（メタデータ） (2026-05-03T08:44:27Z)
• WybeCoder: Verified Imperative Code Generation [22.401681809856896]
  WybeCoderはエージェントコード検証フレームワークである。 コード、不変性、そして証明が共進化する所で、証明・アズ・ユー・ジェネレーション開発を可能にする。
  論文  参考訳（メタデータ） (2026-03-31T00:06:44Z)
• Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning [105.35082963701541]
  VIGA(Vision-as-Inverse-Graphic Agent)は、クローズドループの書き込み-ラン-レンダー-補完-修正手順によってシーンを再構築または編集する。 長距離推論をサポートするために、VIGAは(i)ジェネレータと検証ロールを交換するスキルライブラリと(ii)進化するコンテキストメモリを組み合わせた。
  論文  参考訳（メタデータ） (2026-01-16T09:11:55Z)
• Synergizing Code Coverage and Gameplay Intent: Coverage-Aware Game Playtesting with LLM-Guided Reinforcement Learning [4.3706127838450035]
  ゲーム・アズ・ア・サービス(Games as a Service)モデルは頻繁なコンテンツ更新を必要とする。 コード中心の手法は、ゲームプレイコンテキストを理解せずに構造的カバレッジに焦点を当てる。 ゲーム更新テストのための構造検証と機能検証を相乗化する新しいフレームワークSMARTを提案する。
  論文  参考訳（メタデータ） (2025-12-14T14:18:18Z)
• RECODE: Reasoning Through Code Generation for Visual Question Answering [68.86938437188964]
  我々は、検証可能な視覚的推論のための新しいモダリティとして、視覚を実行可能コードにリバースエンジニアリングするプロセスであるデレンダリングを活用することを提案する。 我々の研究は、実行可能コードにおける視覚的認識の基盤が、より正確で検証可能なマルチモーダル推論への新たな道を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-15T17:05:37Z)
• Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
  言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。 提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
  論文  参考訳（メタデータ） (2025-10-03T16:21:14Z)
• Fly, Fail, Fix: Iterative Game Repair with Reinforcement Learning and Large Multimodal Models [7.989185500830854]
  ゲームデザインは、静的なルールとコンテンツが動的プレイヤーの振る舞いにどのように変換されるかを理解することに焦点を当てている。 ゲームをプレイする強化学習(RL)エージェントと,大規模なマルチモーダルモデル(LMM)を組み合わせて,このギャップを埋める自動設計フレームワークを提案する。 LMMデザイナは、ゲームプレイ目標と現在のゲーム設定を受信し、プレイトレースを分析し、その設定を編集して、目標に向けた将来の行動を判断する。
  論文  参考訳（メタデータ） (2025-07-16T22:45:40Z)
• ReVeal: Self-Evolving Code Agents via Reliable Self-Verification [11.875519107421312]
  自己検証とツールベースの評価を通じてコード生成を進化させる強化学習フレームワークであるReVealを紹介する。 推論において、この強化された自己検証により、3つしかトレーニングされていないLiveCodeBenchでは、自己構築されたテストとツールフィードバックを使用して、20ターン以上のコードを継続的に進化させることができる。 これらの調査結果は、RLトレーニングとテストタイムスケーリングのためのスケーラブルなパラダイムとしてのReVealの約束を強調し、より堅牢で自律的なAIエージェントへの道を開いた。
  論文  参考訳（メタデータ） (2025-06-13T03:41:04Z)
• Cardiverse: Harnessing LLMs for Novel Card Game Prototyping [9.029874576285085]
  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、これらのプロセスを自動化する機会を提供する。 本稿では,総合的な自動カードゲームプロトタイピングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-10T23:47:35Z)
• RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
  RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:11:06Z)

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。