論文の概要: PUBG Ally: A Conversational Embodied Agent as an AI Teammate

• arxiv url: http://arxiv.org/abs/2609.29837v2
• Date: Fri, 25 Sep 2026 08:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.057171
• Title: PUBG Ally: A Conversational Embodied Agent as an AI Teammate
• Title（参考訳）: PUBG Ally:AIチームメイトとしての会話型エンボディードエージェント
• Abstract要約: BATTLEGROUNDSは、推論し、自律的に行動し、プレイヤーと共に音声対応のチームメイトとしてプレーすることができる。 言語モデルエージェントは、制御されたインターフェースを使用して、ゲーム情報を調べ、プレイヤーのスピーチを解釈し、コンテキストを維持し、何を言うべきかを決定し、ハイレベルなアクション選択を発行する。 リアルプレイヤーがAllyと一緒にプレイし、ゲームプレイ、プレイヤーのスピーチ、エージェントの決定、ツールの使用、アクション、プレイヤーのフィードバックを記録します。
• 参考スコア（独自算出の注目度）: 21.662597354641274
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce PUBG Ally, an embodied agent for PUBG: BATTLEGROUNDS that can reason, act autonomously, and play alongside players as a voice-enabled teammate. Building such a teammate requires combining two difficult capabilities: it must perceive and respond to a constantly changing game world under strict latency constraints while interacting naturally with players, keeping its speech synchronized with its actions. Ally therefore combines agentic tool use with real-time game control. A language-model agent uses a controlled interface to inspect game information, interpret player speech, maintain context, decide what to say, and issue high-level action choices that steer a faster control layer for movement, combat, and recovery. Because the player's and Ally's speech and actions continually shape each other and the course of the match, training requires data from actual gameplay. We therefore collect data across nearly 39k sessions in which real players play alongside Ally, recording gameplay, player speech, agent decisions, tool use, actions, and player feedback, and use these records for iterative training. To evaluate teammate quality, we use player feedback and preference comparisons to identify gaps between offline evaluations and player preferences, and iteratively refine the evaluation criteria. Deploying Ally in live service further requires low-latency on-device execution and safeguards for player-facing communication, which we address through model compression, context compaction, targeted safety training, runtime guardrails, and memory redaction. During the live service, we surveyed players in 141 countries. Among respondents whose play with Ally was confirmed in game records, positive responses exceeded negative responses by 25.1 percentage points when asked whether they would recommend Ally, with players describing Ally not only as a tool but also as a teammate or companion.
• Abstract（参考訳）: PUBGのエンボディエージェントであるPUBG Allyを紹介する: BATTLEGROUNDSは、音声対応のチームメイトとして、プレイヤーと共に、推論し、自律的に行動し、プレーすることができる。 そのようなチームメイトを構築するには、2つの難しい機能を組み合わせる必要がある。 プレイヤーと自然に対話しながら、常に変化するゲームワールドを知覚し、反応し、そのアクションと同期させなければならない。 したがって、エージェントツールの使用とリアルタイムゲーム制御を兼ね備えている。 言語モデルエージェントは、制御されたインターフェースを使用して、ゲーム情報を検査し、プレイヤーの音声を解釈し、コンテキストを維持し、何を言うかを決定し、移動、戦闘、回復のためのより速い制御層を操るハイレベルなアクション選択を発行する。 プレイヤーとアリーのスピーチとアクションは、常に互いに形づくり合い、試合の行程が変わるため、トレーニングは実際のゲームプレイからのデータを必要とする。 そこで我々は,39k近いセッションにまたがって実際のプレイヤーがAllyと共にプレーするデータを収集し,ゲームプレイ,プレイヤースピーチ,エージェント決定,ツールの使用,アクション,プレイヤーのフィードバックを記録し,これらのレコードを反復的なトレーニングに使用する。 チームメイトの品質を評価するため、オフライン評価とプレイヤー選好のギャップを識別するためにプレイヤーのフィードバックと選好比較を用い、評価基準を反復的に洗練する。 モデル圧縮、コンテキストのコンパクト化、ターゲットとする安全性トレーニング、ランタイムガードレール、メモリリアクションを通じて対処する。 ライブで141カ国の選手を調査した。 アリーとのプレイがゲームレコードで確認された回答者のうち、アリーを推薦するかどうかを問うと、正の反応が25.1ポイントのマイナス反応を上回り、プレイヤーはアリーをツールとしてだけでなく、チームメイトや仲間として記述した。

関連論文リスト

• Investigating Knowledge Transfer Across Interactive Dialogue Games [73.44278078966448]
  異なる対話ゲーム間での知識伝達について検討する。 Clembench スイートのゲーム上で LLM モデルを微調整することにより、転送可能性について検討する。 いくつかのゲームは微調整よりも転送の恩恵を受けており、ビジュオパティアル・ファミリー(例えば探索ゲーム)は転送が最善である。
  論文  参考訳（メタデータ） (2026-08-25T01:47:31Z)
• GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
  GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。 2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。 18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
  論文  参考訳（メタデータ） (2026-04-08T17:49:03Z)
• Time to Talk: LLM Agents for Asynchronous Group Communication in Mafia Games [17.399156929955513]
  LLMは主に同期通信で使われ、人間とモデルは交互に交互に通信する。 本研究では,2つのモジュールからなる適応型非同期LLMエージェント,つまり,何を言うべきかを決定するジェネレータと,いつ話すかを決定するスケジューラを開発する。 分析の結果,会話のタイミング決定におけるエージェントの行動は,メッセージ内容の相違はあるものの,人間のパターンを忠実に反映していることがわかった。
  論文  参考訳（メタデータ） (2025-06-05T17:53:44Z)
• Behavioural Cloning in VizDoom [1.4999444543328293]
  本稿では,Imitation Learning (IL) による自律エージェントのゲーム「Doom 2」の学習方法について述べる。 また,Reinforcement Learning (RL) がカメラの動きと軌跡データを比較することで,人間性に対するILとの比較を行う。
  論文  参考訳（メタデータ） (2024-01-08T16:15:43Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• Automated Play-Testing Through RL Based Human-Like Play-Styles Generation [0.0]
  強化学習は、ビデオゲームのテストを自動化する必要性に対する有望な答えである。 CARMI: aを提示します。 入力として相対測度を持つエージェント。 以前は目に見えないレベルであっても、プレイヤーのプレースタイルをエミュレートできるエージェント。
  論文  参考訳（メタデータ） (2022-11-29T14:17:20Z)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
  本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。 提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
  論文  参考訳（メタデータ） (2021-01-31T10:30:48Z)
• AI-enabled Prediction of eSports Player Performance Using the Data from Heterogeneous Sensors [12.071865017583502]
  我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。 リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。 提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
  論文  参考訳（メタデータ） (2020-12-07T07:31:53Z)

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。