論文の概要: GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets

• arxiv url: http://arxiv.org/abs/2610.06910v1
• Date: Fri, 02 Oct 2026 17:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.463718
• Title: GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets
• Title（参考訳）: GAMEGO: リアルワールドアセットに収録された合成軌道を用いたゲームディーブエージェントの訓練
• Abstract要約: GameGoは、短いゲームシードを包括的な製品要求文書に変換するスケーラブルなフレームワークである。 GameGoDataは、2D、2.5D、および3Dゲームにわたる55,060の開発軌道で構築されている。 GameGoCoderをGameGoDataでトレーニングすると、ベースラインにマッチするモデルが得られ、Gamedevベンチマーク全体のフロンティアモデルに匹敵する。
• 参考スコア（独自算出の注目度）: 23.47935482668345
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in Large Language Models (LLMs) have demonstrated remarkable capabilities in web front-end execution, with browser-based game generation emerging as a particularly prominent frontier. While previous efforts frequently rely on complex multi-turn workflows or focus on static game evaluation benchmarks, this work targets direct end-to-end real-world game synthesis driven by coding agents. However, generating complex games directly from sparse user queries often forces coding agents to make underspecified assumptions, yielding incomplete mechanics, disconnected gameplay flows, and limited visual aesthetics. To resolve this issue, this paper presents GameGo, a scalable framework that systematically transforms brief game seeds into comprehensive Product Requirements Documents grounded in industry game-development practices. To retain core gameplay constraints without restricting design exploration, GameGo uses task-specific dynamic compression to maximize information density while preserving instruction following. Based on this pipeline, GameGoData is constructed with 55,060 development trajectories across 2D, 2.5D, and 3D games, alongside GameGoBench, a benchmark comprising 124 diverse game queries. Training GameGoCoder on GameGoData yields a model that outperforms matched baselines and is comparable to frontier models across gamedev benchmarks. All code, datasets, and models will be made publicly available.
• Abstract（参考訳）: 近年のLarge Language Models (LLM) の進歩は、Webフロントエンド実行において顕著な機能を示し、ブラウザベースのゲーム生成が特に顕著なフロンティアとして現れている。 従来の取り組みは複雑なマルチターンワークフローや静的ゲーム評価ベンチマークに頻繁に依存していたが、この作業はコーディングエージェントによって駆動されるエンド・ツー・エンドの現実世界のゲーム合成をターゲットとしている。 しかし、スパースなユーザクエリから直接複雑なゲームを生成する場合、しばしばコーディングエージェントが不明確な仮定を強制し、不完全なメカニクス、非接続のゲームプレイフロー、限られた視覚美学をもたらす。 この問題を解決するために,本論文では,短時間のゲームシードを産業ゲーム開発プラクティスに基づく総合的な製品要求文書に体系的に変換するスケーラブルなフレームワークであるGameGoを提案する。 デザイン探索を制限せずにコアゲームプレイの制約を維持するため、GameGoはタスク固有の動的圧縮を使用して、次の命令を保存しながら情報密度を最大化する。 このパイプラインに基づいて、GameGoDataは2D、2.5D、および3Dゲームにわたる55,060の開発軌道で構築されており、GameGoBenchは124種類のゲームクエリからなるベンチマークである。 GameGoCoderをGameGoDataでトレーニングすると、ベースラインにマッチするモデルが得られ、Gamedevベンチマーク全体のフロンティアモデルに匹敵する。 すべてのコード、データセット、モデルが公開されます。

関連論文リスト

• GameXpert-Bench: How Far Are Coding Agents from Expert Game Development? [6.806647989372878]
  最近の大規模言語モデル(LLM)は、自然言語要求から完全なゲームを構築するコーディングエージェントとして動作する。 ゲーム開発は、プログラムロジック、ビジュアルおよびオーディオコンテンツ、インタフェース、インタラクション、プレイ容易性が一つの実行可能アーティファクトで一緒に機能する必要があるため、特に要求がある。 完全な人間エージェント開発軌跡の分析では,コーディングエージェントを用いてゲーム開発のライフサイクルにまたがる3つの段階を同定する。
  論文  参考訳（メタデータ） (2026-08-22T08:05:16Z)
• GameEngineBench: Evaluating Coding Agents on Real C++ Runtime Environments [1.392548092257887]
  提案するGameEngineBenchは,Unreal Engine 5プロジェクト内でのスコープ付きC++実装タスクにおけるコーディングエージェントの評価を行うベンチマークである。 評価セットは、ゲームプレイの仕組み、マルチプレイヤー動作、AIと世界オーケストレーション、アニメーションとムーブメント、UIとセッションコード、ロード動作、オンラインサービス統合、永続性、データシリアライゼーション、XR動作、レンダリング指向プラグインを対象とする110のタスクで構成されている。
  論文  参考訳（メタデータ） (2026-07-03T17:56:26Z)
• 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)
• 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)
• GameDevBench: Evaluating Agentic Capabilities Through Game Development [49.19956546746812]
  ゲーム開発は、エージェントが本質的にマルチモーダル資産を操作しながら大きな密集物をナビゲートしなければならないようなテストベッドを提供する。 本稿では,ゲーム開発タスクにおけるエージェント評価のための最初のベンチマークであるGameDevBenchを紹介する。 エージェントは依然としてゲーム開発に苦戦しており、最高のエージェントは54.5%のタスクしか解決していない。
  論文  参考訳（メタデータ） (2026-02-11T18:15:11Z)
• Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
  本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。 Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。 実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-27T17:43:51Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)

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。