論文の概要: PlayTrain: An Efficient Reinforcement Learning Framework for LLM-Generated Adaptable JavaScript Games

• arxiv url: http://arxiv.org/abs/2609.09059v1
• Date: Tue, 08 Sep 2026 17:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.702291
• Title: PlayTrain: An Efficient Reinforcement Learning Framework for LLM-Generated Adaptable JavaScript Games
• Title（参考訳）: PlayTrain: LLM生成の適応型JavaScriptゲームのための効率的な強化学習フレームワーク
• Abstract要約: 本稿では,大規模言語モデル(LLM)とJavaScript(JS)ゲームを堅牢に生成する能力を組み合わせたRLフレームワークであるPlayTrainを紹介する。 JSで有名なAtariやProcGenのゲームをクローンするなど,PlayTrainのいくつかのユースケースを実演する。 PlayTrainは、1つのGPUノードで1秒間に100万以上のエージェント決定で、ピクセルベースのエージェントをエンドツーエンドにトレーニングする。
• 参考スコア（独自算出の注目度）: 17.359480690027294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While many video-game environments (VGEs) have played crucial roles in advancing reinforcement learning (RL), developing novel VGEs or modifying existing ones to support new features, has been a laborious process requiring extensive hand-coding. Here we present PlayTrain, an RL framework that combines the abilities of large language models (LLMs) to robustly generate JavaScript (JS) games from a minimal human prompt, and an efficient pipeline that can run any JS game in a standard 'gym' environment. Not only are recent LLMs particularly good at writing JS code, but the JS format also allows users to easily play generated VGEs, while PlayTrain enables us to train RL agents on the exact same games. We demonstrate multiple use cases of PlayTrain, including cloning well-known Atari and ProcGen games in simple JS, where PlayTrain trains pixel-based agents end-to-end at over 1M agent-decisions per second on a single GPU node; and creating modified versions thereof (e.g., that support novel test sets, procedural generation logics, or game dynamics). Through PlayTrain, we reimagine RL VGE development: all we need is a single JS file, generated and modified through an LLM. We discuss promising future RL research directions that PlayTrain unlocks.
• Abstract（参考訳）: 多くのビデオゲーム環境(VGE)は、強化学習(RL)の推進、新しいVGEの開発、あるいは新機能をサポートするために既存のVGEの変更において重要な役割を担っているが、広範囲な手書きコードを必要とする面倒なプロセスであった。 ここでは,大規模言語モデル(LLM)の能力と,最小限の人間プロンプトからJavaScript(JS)ゲームを堅牢に生成する能力を組み合わせたRLフレームワークであるPlayTrainと,標準的な"ジャム"環境で任意のJSゲームを実行可能な効率的なパイプラインについて紹介する。 最近のLLMは特にJSコードを書くのが得意ですが、JSフォーマットでは、ユーザが生成したVGEを簡単にプレイできます。 例えば、PlayTrainは1つのGPUノードで1秒あたり100万以上のエージェント決定でピクセルベースのエージェントをエンドツーエンドにトレーニングし、その修正版(例えば、新しいテストセット、手続き生成ロジック、ゲームダイナミクスをサポートする)を作成する。 PlayTrainを通じて、RL VGEの開発を再定義します。 PlayTrainがアンロックする将来的なRL研究の方向性について論じる。

関連論文リスト

• Odysseus: Scaling VLMs to 100+ Turn Decision-Making in Games via Reinforcement Learning [50.464623632604976]
  本研究では,スーパーマリオランドにおける長期意思決定のための視覚言語モデル(VLM)の学習について検討する。 本稿では,軽量なターンレベルの批評家によるPPOの適応版を提案し,トレーニングの安定性とサンプル効率を大幅に向上させる。 我々は,VLMエージェントのオープントレーニングフレームワークであるOdysseusを紹介し,ゲーム内の複数のレベルにおいて,実質的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-05-01T02:05:56Z)
• Game-RL: Synthesizing Multimodal Verifiable Game Data to Boost VLMs' General Reasoning [89.93384726755106]
  視覚言語強化学習(RL)は主に狭い領域に焦点を当てている。 ビデオゲームは本質的に、検証が容易なリッチなビジュアル要素とメカニクスを提供します。 ビデオゲームにおけるマルチモーダルかつ検証可能な報酬を完全に活用するために,Game-RLを提案する。
  論文  参考訳（メタデータ） (2025-05-20T03:47:44Z)
• Frog Soup: Zero-Shot, In-Context, and Sample-Efficient Frogger Agents [5.5226894932814155]
  ドメイン外RLポストトレーニングによる最新の推論LLMは、ゼロショット設定下でFroggerと呼ばれる挑戦的なAtariゲームを実行することができることを示す。 そこで本研究では,LLMの性能に及ぼす文脈内学習と推論の量の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-06T19:51:41Z)
• Grammar and Gameplay-aligned RL for Game Description Generation with LLMs [12.329521804287259]
  ゲーム記述生成(GDG)は、自然言語テキストからゲーム記述言語(GDL)で記述されたゲーム記述を生成するタスクである。 GDG(RLGDG)のための強化学習に基づく大規模言語モデルの微調整を提案する。 学習方法は,ゲームコンセプトに対する文法的正しさと忠実さを同時に向上させる。
  論文  参考訳（メタデータ） (2025-03-20T01:47:33Z)
• Game Development as Human-LLM Interaction [55.03293214439741]
  本稿では,Human-LLMインタラクションを利用したChat Game Engine(ChatGE)を紹介する。 ChatGEは、Human-LLMインタラクションを通じて、自然言語を使ってカスタムゲームを開発することができる。 ポーカーゲームのためのChatGEをケーススタディとして構築し、インタラクションの品質とコードの正確性という2つの観点から評価する。
  論文  参考訳（メタデータ） (2024-08-18T07:06:57Z)
• Autoverse: An Evolvable Game Language for Learning Robust Embodied Agents [2.624282086797512]
  シングルプレイヤ2Dグリッドベースのゲームのための,進化可能なドメイン固有言語であるAutoverseを紹介する。 オープンエンデッドラーニング(OEL)アルゴリズムのスケーラブルなトレーニンググラウンドとしての利用を実証する。
  論文  参考訳（メタデータ） (2024-07-05T02:18:02Z)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• JORLDY: a fully customizable open source framework for reinforcement learning [3.1864456096282696]
  強化学習(Reinforcement Learning, RL)は、学術分野と産業分野の両方で活発に研究されている。 JORLDYは、Pytorchで実装された20以上の広く使われているRLアルゴリズムを提供する。 JORLDYはOpenAIジム、Unity ML-Agents、Mujoco、Super Mario Bros、Procgenなど、複数のRL環境をサポートしている。
  論文  参考訳（メタデータ） (2022-04-11T06:28:27Z)
• 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)
• The NetHack Learning Environment [79.06395964379107]
  本稿では、強化学習研究のための手続き的に生成されたローグのような環境であるNetHack Learning Environment(NLE)を紹介する。 我々は,NetHackが,探索,計画,技術習得,言語条件付きRLといった問題に対する長期的な研究を促進するのに十分複雑であると主張している。 我々は,分散されたDeep RLベースラインとランダムネットワーク蒸留探索を用いて,ゲームの初期段階における実験的な成功を示す。
  論文  参考訳（メタデータ） (2020-06-24T14:12:56Z)

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。