論文の概要: Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness

• arxiv url: http://arxiv.org/abs/2610.08621v1
• Date: Tue, 06 Oct 2026 16:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.105415
• Title: Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness
• Title（参考訳）: Recursive Game Creator: エージェントによる製品レベルのエクスペリエンス指向ゲームハーネス
• Abstract要約: Recursive Game Creatorは、Designer、Builder、Player、Reviewerの4つのコンポーネントの開発を組織している。 デザイナはユーザインストラクションとレビューアのフィードバックを詳細な計画に変換する。ビルダーはこれらの計画を候補ゲームに変換する。 レビュアーは、慎重に設計された軌跡ベースのメトリクスを使用してプレイヤーの嗜好を誘導し、視覚的エビデンスと明示的なテキストの選好を統合し、ゲーム固有の基準に対してゲームを評価する。
• 参考スコア（独自算出の注目度）: 36.684287201868806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent game design agents have made substantial progress in generating playable games. However, program correctness does not ensure an enjoyable experience for players. We present Recursive Game Creator, an experience-oriented harness to advance agentic game development from rough game prototypes into entertaining games. Recursive Game Creator organizes recursive development around four components: Designer, Builder, Player, and Reviewer. The Designer translates user instructions and Reviewer's feedback into detailed plans. The Builder turns these plans into candidate games. The coding-native Player creates and executes reusable policies through programmatic interfaces to efficiently collect diverse gameplay trajectories, mitigating evaluation bias caused by slow GUI-based collection. The Reviewer uses carefully designed trajectory-based metrics to induce player preferences, integrating with visual evidence and explicit textual preferences to evaluate games against game-specific criteria. Finally, the Reviewer accepts the better version and provides improvement reviews for the next round, closing the recursive loop. Our method achieves state-of-the-art overall performance of 77.89 on GameCraft-Bench. On GameASG-Bench, it achieves a strict task success rate of 53.2%, a 34.1% improvement over the same-model baseline, and the highest mean runtime-check pass rate at 93.4% among compared methods. A user study shows longer playtime and higher ratings. Code is coming soon.
• Abstract（参考訳）: 近年のゲームデザインエージェントは、プレイ可能なゲームの生成に大きく進歩している。 しかし、プログラムの正確さはプレイヤーにとって楽しい体験を保証しない。 本稿では,粗いゲームプロトタイプから遊戯ゲームへエージェントゲーム開発を進めるための体験指向のハーネスであるRecursive Game Creatorを紹介する。 Recursive Game Creatorは、Designer、Builder、Player、Reviewerの4つのコンポーネントに関する再帰的な開発を組織する。 デザイナはユーザインストラクションとレビューアのフィードバックを詳細な計画に変換する。 Builderはこれらの計画を候補ゲームに変える。 コーディングネイティブプレイヤーは、プログラムインターフェイスを介して再利用可能なポリシーを作成して実行し、多様なゲームプレイトラジェクトリを効率的に収集し、GUIベースの遅いコレクションによる評価バイアスを軽減する。 レビュアーは、慎重に設計された軌跡ベースのメトリクスを使用してプレイヤーの嗜好を誘導し、視覚的エビデンスと明示的なテキストの選好を統合し、ゲーム固有の基準に対してゲームを評価する。 最後に、Reviewerはより良いバージョンを受け入れ、次のラウンドの改善レビューを提供し、再帰ループを閉じる。 本手法は,GameCraft-Benchにおける77.89の最先端性能を実現する。 GameASG-Benchでは、厳格なタスク成功率53.2%、同じモデルベースラインよりも34.1%改善、平均実行時チェックパスレート93.4%を達成している。 ユーザ調査では、より長いプレイタイムとより高いレーティングが示されています。 もうすぐコードがやってくる。

関連論文リスト

• RSIGame: Autonomous Agentic Game Development with Recursive Self-improvement [47.08383845381285]
  RSIGameは自律型エージェントゲーム開発フレームワークである。 開発を補完的なローカルループとグローバルループに編成する。 開発予算の整合でゲーム品質を継続的に改善する。
  論文  参考訳（メタデータ） (2026-09-30T05:54:34Z)
• SWE-Game: Can Coding Agents Build the Games We Want? [24.275357708252926]
  SWE-Game(SWE-Game)は、2Dおよび3Dの13のゲームプレイカテゴリにまたがる41のレファレンス・ゴドットゲームに基礎を置く247のタスクのベンチマークである。 5つのタスクタイプは、ゲーム設計文書からの簡単な実装、スケルトン完成、83のインジェクトされたフォールトケースの修復、Godot-to-Unity移植から開発をカバーしている。
  論文  参考訳（メタデータ） (2026-09-27T15:38:20Z)
• 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)
• 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)
• 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)
• 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)
• FlashAdventure: A Benchmark for GUI Agents Solving Full Story Arcs in Diverse Adventure Games [56.81554611870848]
  我々はFlashAdventureを紹介した。これは、フルストーリーのアーク補完をテストするために設計された、34のFlashベースのアドベンチャーゲームのベンチマークである。 また,ゲームプレイの自動評価装置であるCUA-as-a-Judgeと,長期記憶を利用したエージェントフレームワークであるCOASTを提案する。 実験では、現在のGUIエージェントがフルストーリーのアークに苦しむのに対して、COASTは観察と振る舞いのギャップを埋めることでマイルストーンの完了を改善する。
  論文  参考訳（メタデータ） (2025-09-01T01:33:16Z)

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。