論文の概要: MOBA-VL: Event-Localized Multi-Turn Reinforcement Learning for Real-Time MOBA Commentary

• arxiv url: http://arxiv.org/abs/2609.38428v2
• Date: Thu, 01 Oct 2026 06:31:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.534557
• Title: MOBA-VL: Event-Localized Multi-Turn Reinforcement Learning for Real-Time MOBA Commentary
• Title（参考訳）: MOBA-VL:リアルタイムMOBA解説のためのイベントローカライズマルチスレッド強化学習
• Abstract要約: マルチプレイヤーオンラインバトルアリーナ(MOBA)のリアルタイム解説では、ライブの試合を秒単位でナレーションするために視覚言語モデル(VLM)が必要である。 我々は,各イベントの発生時刻を正確に記録したゲームテレメトリを,監督信号として利用する。 イベントローカライズされたマルチターン強化学習を用いて、この信号に基づいて訓練された9BパラメータモデルMOBA-VLを紹介する。
• 参考スコア（独自算出の注目度）: 42.15282892748302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time commentary for Multiplayer Online Battle Arena (MOBA) esports requires a vision-language model (VLM) to narrate a live match second by second, both fluently and accurately. Existing streaming VLMs sound natural but often miss key events such as kills and objectives. To address this limitation, we use game telemetry, which records exactly when each event occurs, as a supervision signal. We introduce MOBA-VL, a 9B-parameter model trained on this signal with event-localized multi-turn reinforcement learning, which rewards the turns that describe each event. We also collect MOBACast, 860 professional matches (about 460 hours) across three MOBA games with word-level timestamped commentary, and MOBACast-Bench, a benchmark from held-out tournaments. On MOBACast-Bench, MOBA-VL achieves the highest Overall score on full matches (63.25 vs. 55.12 for StreamingVLM) and clips (63.45 vs. 56.22 for DeepSeek-V4.1-Flash). Event-localized credit also raises event recall from 34.5 to 42.1 over supervised fine-tuning. Code and data will be released, and demos are available on an anonymous project page at https://moba-vl.github.io.
• Abstract（参考訳）: マルチプレイヤーオンラインバトルアリーナ (MOBA) のリアルタイムコメンタリー(英語版) (Real-time commentary for Multiplayer Online Battle Arena) は、視覚言語モデル(英語版) (VLM) を用いて、ライブの試合を2秒単位でナレーションする。 既存のストリーミングVLMは自然に聞こえるが、キルや目標といった重要なイベントを見逃してしまうことが多い。 この制限に対処するために,各イベントの発生時刻を正確に記録するゲームテレメトリを,監督信号として使用する。 イベントローカライズされたマルチターン強化学習を用いて、この信号に基づいて訓練された9BパラメータモデルMOBA-VLを導入する。 また、単語レベルのタイムスタンプ付きコメント付きMOBAゲーム3試合で860試合(約460時間)のMOBACastと、ホールドアウトトーナメントのベンチマークであるMOBACast-Benchも収集しています。 MOBACast-Bench では、MOBA-VL は全試合 (63.25 vs. 55.12 for StreamingVLM) とクリップ (63.45 vs. 56.22 for DeepSeek-V4.1-Flash) で最高得点を記録した。 イベントローカライズドクレジットは、監督された微調整に関して、イベントリコールを34.5から42.1に引き上げる。 コードとデータはリリースされ、デモはhttps://moba-vl.github.io.comの匿名プロジェクトページで公開されている。

関連論文リスト

• MOSS-VL Technical Report [66.58420246189313]
  リアルタイムインタラクションを第一級機能として扱うオープンビジョン言語モデルファミリーであるMOSS-VLを提案する。 言語デコーダは、ゲートされたクロスアテンションを通してのみビジョンに出席する。 オフラインでは、MOSS-VL-Instructは、競合するスケールで競合し、時間的推論ビデオセットをリードする。
  論文  参考訳（メタデータ） (2026-08-15T05:12:53Z)
• Video = World + Event Stream [70.56197496608006]
  Wan-Streamer v0.3は、ひとつの組織でネイティブインタラクションモデルを再構築します。 これにより、大量の実ビデオに対して、汎用的な事前学習タスクが得られる。 機能的には、モデルのマルチモーダル理解プロセスは視覚-アクション-様である。
  論文  参考訳（メタデータ） (2026-07-16T14:19:42Z)
• Playing DOOM with 1.3M Parameters: Specialized Small Models vs Large Language Models for Real-Time Game Control [42.18443783365649]
  SauerkrautLM-MultiVecは13万のパラメータモデルで、古典的なファーストパーソンシューターをリアルタイムで演奏する。 わずか31,000人の人間のゲームプレイのデモでトレーニングされ、dedef_the_centerシナリオで10エピソードで178のフラグを達成している。 この結果から,ドメイン固有データに対する小さなタスク特化モデルは,リアルタイム制御タスクにおいて汎用LLMよりも格段に優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-08T03:33:12Z)
• LM Fight Arena: Benchmarking Large Multimodal Models via Game Competition [104.81487689011341]
  本稿では,Mortal Kombat IIにおける大規模マルチモーダルモデルを評価する新しいフレームワークであるLM Fight Arenaを紹介する。 静的評価とは異なり、LM Fight Arenaは完全に自動化され、再現可能で、LMMの戦略的推論能力の客観的評価を提供する。
  論文  参考訳（メタデータ） (2025-10-10T02:19:21Z)
• MiMo-VL Technical Report [73.47820531501678]
  我々は、2つの強力なビジョン言語モデルであるMiMo-VL-7B-SFTとMiMo-VL-7B-RLをオープンソース化した。 MiMo-VL-7B-RLは40タスク中35タスクでQwen2.5-VL-7Bを上回っ、OlympiadBenchでは59.4得点を記録した。 GUIグラウンディングアプリケーションでは、OSWorld-G上で56.1の新しい標準を設定する。
  論文  参考訳（メタデータ） (2025-06-04T04:32:54Z)
• Game-MUG: Multimodal Oriented Game Situation Understanding and Commentary Generation Dataset [8.837048597513059]
  本稿では,新しいマルチモーダルゲーム状況理解とオーディエンスによるコメント生成データセットであるGAME-MUGを紹介する。 我々のデータセットは、YouTubeとTwitchの2020-2022 LOLゲームライブストリームから収集され、テキスト、オーディオ、時系列イベントログを含むマルチモーダルEスポーツゲーム情報を含んでいる。 また,ゲーム状況とオーディエンス会話理解を網羅して,新たなオーディエンス会話追加コメントデータセットを提案する。
  論文  参考訳（メタデータ） (2024-04-30T00:39:26Z)
• Detecting key Soccer match events to create highlights using Computer Vision [1.5853060650283204]
  私たちは,マッチビデオのハイライトを作成したいスポーツとして,サッカー(サッカー)を選択しました。 我々は、Faster RCNNとYoloV5アーキテクチャに基づいたモデルを構築しました。 ベースモデルとしてResNet50を使用した高速RCNNでは、標準モデルとしてVGG16に比べて95.5%のクラス精度が向上した。
  論文  参考訳（メタデータ） (2022-04-06T04:28:27Z)
• Towards Playing Full MOBA Games with Deep Reinforcement Learning [34.153341961273554]
  MOBAゲーム(Honor of Kings、League of Legends、Dota 2など)はAIシステムに大きな課題をもたらす。 そこで本研究では,MOBAAI学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-11-25T12:52:33Z)
• Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch [0.9281671380673304]
  我々は,有名なバトルロイヤルゲームPlayerUnknown's Battlegroundsから収集されたデータに基づいて,視聴者のエンゲージメントを予測するモデルを構築した。 特に,5つの人気ストリーマーの数百試合から視聴者のチャットログとゲーム内テレメトリデータを収集する。 私たちの重要な発見は、40のゲームプレイ機能のみにトレーニングされたエンゲージメントモデルが、平均で80%、最高で84%のアキュラシーに達することを示しています。
  論文  参考訳（メタデータ） (2020-08-17T10:40:34Z)

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。