米哈游联合高校开源 GameScaling：游戏 AI 从「生成内容」走向「实时决策」#

各位朋友好，我是无边。10 月 22 日，一条消息在国内游戏 AI 圈里刷了屏：米哈游崩坏 AI 研发团队联合清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学，正式推出 GameScaling 系列游戏模型并开源。这不是又一个「AI 帮你生成美术素材」的工具，也不是一个「AI 写剧情」的流水线——它是一个看完游戏画面之后、直接替你按键盘和鼠标的模型。

作为长期关注游戏 AI 应用的人，我对这类「行为决策」模型的第一反应是查三样东西：参数规模档位、部署门槛、开源许可。这三项决定了它是一个「论文演示」还是一个「别人真能拿来用的东西」。把这三项查完之后，我决定认真写这篇拆解，因为它至少在第一眼上三关全过：档位从 0.8B 到 27B、小档位单卡可部署、代码与权重都用 Apache 2.0 许可证开放。

先交代事实边界：本文所有具体事实（参数规模、延迟数据、训练配置、许可条款）均以本次已核实的事实卡为准，来源为多家媒体对官方论文与仓库的转述交叉；其中性能数据均为论文口径，目前没有独立第三方的复测报告，正文会逐一标注。另外，配套论文《Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds》已于 10 月 20 日挂上预印本平台 arXiv，编号 2610.28698，想核对原始表述的读者可以自行检索。

一、事件速览：谁、开源了什么、放在哪#

先把事件的骨架摆清楚。这次开源的主体阵容是「一家厂商加五所高校」：米哈游崩坏 AI 研发团队牵头，联合清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学。产出物是 GameScaling 系列游戏模型，配套论文在 10 月 20 日挂上 arXiv，开源消息在 10 月 22 日经国内科技媒体广泛报道。

几个值得留意的细节。其一，GitHub 仓库挂在 THUSI-Lab 这个组织名下，Hugging Face 上同样以 THUSI-Lab 名义上架，项目主页是 gamescaling.github.io——三个入口齐全，检索起来不难。其二，消息在 10 月 22 日集中见报，比论文挂网晚两天，这个「先论文后传播」的节奏在学界合作项目里很常见。其三，「崩坏 AI 研发团队」这个署名说明它出自米哈游内部直接服务产品线的 AI 团队，而不是对外的品牌研究部门——不过关于团队的具体负责人与规模，官方没有披露。

二、模型家族：8 个检查点，一次把缩放实验做完#

GameScaling 不是一个单独的模型，而是一个家族：0.8B、2B、9B、27B 四种参数规模，每种规模各有 S1、S3 两个版本，合计 8 个开源检查点。所有版本均使用 1600 小时游戏数据训练。

这套命名要拆开读。S1 和 S3 的差别只在训练数据配方上：S1 仅用《我的世界》数据训练，S3 用多游戏混合数据训练，其中《我的世界》占比 27%。换句话说，任何一个参数规模下，S1 与 S3 都是一对天然的对照组——前者回答「单一世界练到极致会怎样」，后者回答「掺入多样数据会怎样」。所有版本统一使用 1600 小时训练数据，数据量这一变量被钉死，剩下的差异全部来自数据配方与参数规模。

往实验盘子更深处看，数字会更夸张：混合比例共有 5 种配方，这些配方的背后是一个由 80 款游戏构成的数据宇宙；整个项目共跑过 120 组训练配置，数据预算从 50 到 1600 小时分 6 档，总训练量达到 2.2×10^22 FLOPs。这已经不是「训一个模型」的量级，而是「系统性地扫一遍缩放曲线」的量级——论文标题里的 Scaling（缩放）二字，指的就是这项工作把「数据量、数据多样性、模型规模」三个因子当成实验变量逐档做了拟合。这一点在第六节的缩放律结论里会再展开。

对想动手复现实验的读者，这套「档位 × 配方」的矩阵还提供了一个现成的实验设计：任何关于「多样数据有没有用」的问题，都可以直接在 9B-S1 与 9B-S3 之间做对照；任何关于「规模有没有用」的问题，都可以在 0.8B 到 27B 的同配方版本之间做对照。变量各自隔离、检查点全部齐备、每个版本统一 1600 小时数据——这套开源矩阵本身，就是论文缩放实验的配套实验材料。这也是我认为它比「又开源了一个大模型」更值得写的原因：它开源的是一整张已经铺好的实验台。

三、技术路线拆解：从「看图说话」到「看图按键」#

GameScaling 的技术路线可以浓缩成一句话：在一个会看图的底座上，用「带操作的录像」教会它出手。拆开是三层。

底座：基于 Qwen3.5 视觉语言模型做继续预训练。选视觉语言模型当底座不是偶然——这类模型本来就会把画面转成语义理解，而 GameScaling 要做的，是把「理解画面」接上「输出操作」这根线。

数据形态：训练数据是带键盘/鼠标操作的游戏过程录像。也就是说，每条数据不只有「画面长什么样」，还有「这一刻人手在按什么」。这是整条路线里最关键的取舍：不用游戏引擎的内部接口（比如直接读取坐标、直接下发移动指令），而是让模型学人手真正会做的事——按哪个键、鼠标往哪偏、滚轮什么时候滚。

输入与输出：模型每一步的输入是当前画面、此前部分画面，加上此前的操作记录；输出则直接是后续的键鼠操作指令，用来控制角色行动。中间没有任何「先规划、再翻译成指令」的模块——它输出的就是操作本身。

操作粒度是这个模型最值得单独说的设计。模型每次调用生成约 200 毫秒的操作序列，其中含 6 个持续 33 毫秒的操作步骤，以及鼠标移动与滚轮指令。这个粒度意味着什么？33 毫秒一拍的微观操作，已经覆盖了「压枪时往下轻拉鼠标」「闪避帧里点一下翻滚键」这种连续微操——而多数大模型 Agent 的操作粒度是「点这里」「去那里」级别的语义指令，两者之间隔着一整个「手感」维度。 GameScaling 把粒度压到毫秒级，本质上是在逼近真人玩家的操作带宽。

3.1 一次推理循环的完整链路#

把上面这些口径按时间顺序串起来，就是 GameScaling 在一台机器上跑起来的样子。整个闭环分五步：

1. 观察：游戏渲染出一帧画面，连同此前部分画面一起，作为视觉输入送进模型；同时送入的还有此前的操作记录——模型需要知道自己上一拍按了什么，才能决定下一拍怎么接。
2. 决策：模型基于 Qwen3.5 底座的视觉理解，对当前局面做判断。论文口径的单步延迟为 0.13–0.69 秒，这个延迟就是第 2 步的全部耗时。
3. 输出：模型一次性给出约 200 毫秒的操作序列——6 个持续 33 毫秒的键盘/鼠标操作步骤，外加鼠标移动与滚轮指令。
4. 执行：操作解析代码把这串指令翻译成真实的键鼠事件，注入游戏。角色随之移动、攻击、合成、翻滚。
5. 循环：画面因操作而变化，新的一帧连同新的操作记录进入下一轮推理。如此往复，模型就「活」在游戏里了。

对照第 2 步与第 3 步的时间账会看得更清楚：单步延迟最快 0.13 秒，而每次输出的操作序列能撑约 200 毫秒的游戏时间——推理速度与操作消耗大体咬合，这条流水线才能不间断地转下去。这也是为什么第二节强调「单卡可部署是这条路线的生存条件」：任何一步变慢，链条就会出现游戏在等模型的空转，实时性随之瓦解。

四、部署门槛：单卡跑得动，才是实时的前提#

这一节是硬件读者最关心的部分。官方给出的部署口径是：0.8B、2B、9B 三个版本的权重均可在单张 GPU 上部署，其中 9B 权重 18.8GB；27B 版本需要两张 GPU 做张量并行，权重 54.7GB。同时，模型支持通过 vLLM 部署模型服务。

怎么读这组数字？第一，0.8B 到 9B 全部单卡可跑，意味着一个想拿它做实验的研究者或开发者，不需要申请数据中心配额——一张装得下 18.8GB 权重的卡，加上 vLLM 的服务化部署路径，就是一个能跑推理的起点。vLLM 这个推理框架在社区里已经非常成熟，等于把「怎么把模型变成一个服务」的工程问题直接绕过去了。

第二，仓库不只给了权重。官方说明仓库提供推理客户端、系统提示词模板、操作解析代码与示例程序。这四样东西拼起来，是从「下载权重」到「模型在你机器上真的开始打按键」之间的全部胶水——尤其是「操作解析代码」，它负责把模型输出的指令翻译成真实的键鼠事件，这类代码看着不起眼，自己写一遍才知道坑多。对一个开源项目来说，把胶水一起交出来，比权重本身更能说明开源的诚意。

第三，也是我作为 AI 研究者最看重的一点：实时性是单卡部署的下游收益。模型要每 200 毫秒出一次操作，意味着它的推理延迟必须压到与游戏节奏同量级——这天然排斥「四卡起步」的重型部署。换句话说，0.8B 到 9B 的档位设计不只是为了省钱，而是这条技术路线自己的生存条件。

五、最有戏剧性的数据：暂停赛制与实时赛制的分数反转#

如果只看一组数据来理解这个模型存在的意义，我会选论文里「暂停赛制」与「实时赛制」的对比。先看延迟：GameScaling 的单步延迟为 0.13–0.69 秒，而前沿模型每步需要 4–24 秒。差了一个数量级还多。

再看两种赛制下的得分（论文口径）：

这组数据的读法比数字本身重要。暂停赛制下，前沿模型拿着 54–88.7 分，明显高于 GameScaling-9B-S3 的 44.7 分——不奇怪，前沿模型智力强，给它时间想，它就是能想出更好的策略。但赛制一切到实时，画面不再暂停、每步只有零点几秒的窗口，前沿模型的得分直接崩到 5.3–8.7 分，而 GameScaling 还有 36.7 分。排名整个反了过来。

这就是我说的「会做题」与「会实时按键」是两种能力。前沿模型像是考卷上能拿高分、但上了操作台手就跟不上的选手；GameScaling 在纸面智力上让了一截，但它从架构到粒度都是为「看画面、出操作」的实时循环设计的。游戏恰恰是实时环境——游戏不会暂停等你推理完。这个分数反转，是这篇论文里对行业最有说服力的一个论据。

需要照实标注的是：以上得分全部来自论文口径，目前没有独立第三方的复测；2B 档及各规模在其他基准上的完整分项成绩表，本次也未获取到，这里不做任何补齐或推算。

六、评测矩阵与缩放律：四条结论都指向「多样性」#

评测覆盖了四个基准：MCU（30 个《我的世界》任务）、ViZDoom（《毁灭战士》题材的战斗与寻路评测）、OmniGameArena（7 个训练时未见过的 3D 世界）、GameWorld（以 2D/2.5D 游戏为主）。具体任务从《我的世界》的采矿、合成物品、对抗僵尸，到密室场景的解谜与逃脱，覆盖面从生存收集一路排到动作对抗。

论文的核心贡献之一，是把「数据量、数据多样性、模型规模」三个因子拟合成一条缩放律，验证损失的 R² 达到 0.98–0.996——拟合得相当干净。从这条曲线上读出的几条结论，我认为每一条都值得从业者记住：

1. 数据越多，同源世界表现越好。 这是最符合直觉的一条，也是缩放实验能成立的基础。
2. 多样性能把「相近世界」带起来，对差异大的世界提升有限。 也就是说，混合数据买来的是「邻近迁移」，不是「万能泛化」——在《我的世界》里练过的采集逻辑，也许能帮模型更快上手另一个沙盒游戏，但帮不了它去打格斗游戏。
3. 模型越大越省数据；但只练单一世界时，越大反而迁移越差。 这条对「堆大模型」的朴素乐观是一记提醒：单一世界过拟合的大模型，去了陌生世界表现反而更糟。
4. 测试时扩展同样有效。 把推理时的步数上限从 600 拉到 3000，9B 版本得分从 50.9% 升至 69.3%，0.8B 版本从 42.3% 升至 59.3%——不重训、只给它更多决策步数，成绩就能显著上抬。

而整组对比里最扎眼的一个数字是：未做继续预训练的 Qwen3.5-9B 底座，同样的评测里只从 2% 爬到 4%。会看图的底座模型，完全不会打游戏；把成绩从个位数拉到五六十以上的，正是那 1600 小时带操作的录像数据。这组对照把「继续预训练」这个环节的价值钉得死死的。

把四条结论放回第二节的实验设计里，还能读出一层言外之意：既然「只练单一世界时迁移更差」，那么 8 个检查点里对泛化有要求的场景就应该优先选 S3；既然「多样性的迁移半径有限」，那么 S3 混合数据里 27% 的《我的世界》占比，与其余 73% 的多游戏配比，本质上是为「相近世界」预留的迁移燃料。检查点的命名 S1 与 S3 分开列出，就是提醒使用者：这两版模型答的不是同一道题。

还有一个工程细节值得对照着看：仓库提供的系统提示词模板。行为决策模型的输出形态与聊天模型不同——它要产出的不是一段话，而是一串结构化的操作指令。系统提示词模板规定了模型在什么格式下吐出操作、操作解析代码就按什么格式去接。这两个文件合起来，等于把「模型输出协议」一并开源了；第三方做集成时不用对着输出样本猜格式，这是推理侧工程完整的又一个佐证。

七、开源范围：给了什么，没给什么#

开源许可层面，代码与模型权重均采用 Apache 2.0 许可证。这是目前主流开源许可证里约束最宽松的一档，研究者拿它做二次研究、开发者基于它做集成验证，许可层面没有障碍。

但开源范围有明确的边界：训练代码与训练语料未随模型发布。也就是说，你能拿到的是「训练完成的成品」加上「使用成品的全套工具」（推理客户端、系统提示词模板、操作解析代码、示例程序），而不是「从头训出这个模型的过程」。用一句圈内的话概括：能复现结果，不能复现过程。对于想在这个基础上继续往前走的研究者，这意味着两件事——在已有权重上做微调、评测、应用开发是通的；但想重建训练管线、或者想验证 5 种配方与 120 组配置里的某一条曲线，拿不到原始数据就只能止步。

另一个值得注意的声明来自项目页：项目注明「纯科研项目，不做任何商业活动」，对局画面仅用于展示研究结果，游戏画面版权归各家发行商。这条声明与 Apache 2.0 的宽松许可放在一起读，边界其实相当清晰：模型本身以宽松许可证开放，但它训练时「看过」的游戏内容不属于项目方；项目方自己也不做商业化。这组约束对后续使用者意味着什么，涉及各游戏发行商的权利边界，本文不下断言——感兴趣的读者建议结合许可证原文与项目页声明自行判断。

八、两条路线的分叉：行为决策模型 vs 世界模型#

写到这里，有必要把 GameScaling 放进游戏 AI 的大图里定位。近两年游戏 AI 的热闹，基本集中在两条互相独立的路线上，而这次的 GameScaling 恰好是其中一条的关键样本。

第一条：内容生成路线。 这条路线的模型接管的是「游戏内容从哪来」——生成画面、生成关卡、甚至把整个游戏世界实时渲染出来。此前站内拆解过的昆仑万维 Matrix-Game 4.0 就是这条路线的代表：模型本身生成可玩的游戏画面，玩家在这幅被逐帧生成的画面里游玩，感兴趣的读者可以移步那篇世界模型的拆解对照阅读。

第二条：实时行为决策路线。 这条路线的模型不碰游戏引擎、不生成任何画面——游戏还是原来的游戏，模型扮演的是「玩家位」：看画面、想对策、出操作。GameScaling 就是典型的第二条路线：它的输入是画面与操作记录，输出是键鼠指令，游戏世界本身一帧都没被它改变。

两条路线不是竞争关系，而是分工关系：一条解决「游戏内容谁来造」，一条解决「游戏里的行为谁来演」。落到玩家的体验上，前者决定「游戏世界从哪来」，后者决定「和你同场竞技或并肩作战的那个智能体像不像人」。有意思的是，两条路线都把「消费级硬件可跑」当成了 2026 年下半年的军备竞赛焦点——这次 GameScaling 把小档位做到单卡可部署，走的正是同一个方向。至于两条路线未来在某个产品里交汇（比如用行为决策模型扮演对手、用生成内容铺开世界），目前两家官方都没有任何披露，这属于我的展望而非事实。

九、对玩家与行业：能确定的和不能确定的#

最后把「能确定的」和「不能确定的」分开说清楚，这也是我写 AI 选题的老规矩。

能确定的：8 个检查点已经可以下载；0.8B 到 9B 单卡可部署；仓库带全套推理工具链；许可宽松。对研究者来说，这是近几年「拿来即可复现实验」门槛最低的游戏行为决策模型之一——此前同类工作多数停留在论文与演示视频，权重要么不开放、要么开放了也没有配套的部署方案。对开发者来说，「会实时按键的模型」第一次离消费级硬件这么近，游戏自动化测试、智能体对战演练这类工程方向，技术前置条件比一个月前又少了两条。

不能确定的：官方与项目页均未提及该模型是否、以及如何应用于米哈游自家游戏产品，任何「米哈游下一款游戏里会出现它」的说法都是猜测；商业化计划除「纯科研项目，不做任何商业活动」的声明外没有更多信息；除论文口径外，目前没有第三方独立复测，所有分数都应视为官方自报口径；米哈游崩坏 AI 团队的具体负责人与团队规模，也未见披露。这些空缺我不会用推测去填。

还有一条观察值得单独写下来：高校联合署名的阵容里，清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学五所高校与厂商研发团队并列，论文主标题用的是缩放（Scaling）这个机器学习圈最看重的词。产业界出数据与工程，学界出实验方法与论文，双方在「虚拟世界具身智能」这个课题上完成了一次分工明确的合著——这种「厂商牵头、高校共建」的形态，在游戏 AI 领域可能会成为接下来几年的常见配置。

结语#

收尾前，把全文的关键数字浓缩成一张速览卡，方便读者日后引用：

• 8 个开源检查点：0.8B / 2B / 9B / 27B × S1 / S3
• 各版本统一 1600 小时训练数据；S3 混合数据中《我的世界》占 27%，数据宇宙 80 款游戏
• 单次调用输出约 200 毫秒操作序列（6 步 × 33 毫秒 ＋ 鼠标移动与滚轮）
• 单步延迟 0.13–0.69 秒，对比前沿模型的每步 4–24 秒
• 部署：9B 权重 18.8GB 单卡；27B 权重 54.7GB 双卡张量并行；支持 vLLM
• 许可：代码与权重均为 Apache 2.0；训练代码与语料未开放
• 论文：arXiv 2610.28698，2026-10-20 挂网

从「AI 帮游戏生成内容」到「AI 在游戏里实时做决策」，中间隔着的不是模型规模的差距，而是能力性质的差距：一个要快、要准、要手稳，一个要美、要丰富、要可玩。GameScaling 用 0.13–0.69 秒的单步延迟和实时赛制下的分数反超，把第一条路线的可行性亮了出来；又用单卡可部署和 Apache 2.0，把参与门槛压到了一张显卡的高度。

对玩家来说，它暂时还是实验室里的东西；对研究者来说，它是一整套可以直接上手复现的实验平台；对行业来说，它是 2026 年游戏 AI 版图上「行为决策」这条路线的第一块成体系的拼图。至于这套「会按键盘鼠标的模型」最终会先落在测试管线里、还是先落在玩家身边，就留给接下来的几个月来回答了。

——无边，NTGame 编辑部