NitroGen: 用于通用游戏代理的开放基础模型 NitroGen: An Open Foundation Model for Generalist Gaming Agents
从40,000小时游戏视频训练的跨游戏通用AI代理
前置知识
行为克隆
通过模仿专家演示数据来学习策略的监督学习方法。在游戏场景中,模型输入当前观察(如屏幕图像),输出对应的玩家操作(如按键、摇杆位置)。目标是学习一个策略函数 $\pi(a|s)$ 使得 $\pi(a|s) \approx \pi_{\text{expert}}(a|s)$。通过最小化预测动作与真实动作之间的差异(如MSE损失)来训练。
本文采用行为克隆而非强化学习,避免了设计奖励函数的困难,能够直接从大规模互联网视频中学习。
流匹配
一种生成模型训练方法,通过学习从噪声分布到目标分布的向量场来生成样本。与扩散模型类似,但训练更稳定。给定数据分布 $p_1$ 和噪声分布 $p_0$,目标是学习向量场 $v_\theta(x,t)$ 使得沿着该场从噪声到数据。条件流匹配则根据条件 $c$ 生成样本,本文中条件是游戏观察图像。
NitroGen使用流匹配来生成连续的动作序列,相比传统方法能更好地处理连续的动作空间。
Gymnasium API
OpenAI Gym的继承者,是强化学习环境的标准化接口,定义了环境的观察空间、动作空间、重置和步进方法。通过统一的API,同一个智能体可以在不同环境中运行,便于算法比较和迁移。观察通常包括图像、状态向量等,动作可以是离散或连续的。
本文的通用模拟器为商业游戏提供了Gymnasium接口,使得研究者可以用标准化方式在不同游戏中训练和测试代理。
研究动机
当前游戏AI领域面临三大困境:强化学习方法虽然能在单个游戏中超越人类(如AlphaStar在StarCraft II),但需要专门的模拟器、设计奖励函数,且训练成本极高,难以扩展到数百个游戏;基于大语言模型的方法(如Voyager)能够处理复杂任务,但依赖于手工制作的程序化API来暴露游戏内部状态,需要复杂的领域特定设计;现有的行为克隆方法(如VPT、SIMA)主要依赖昂贵的人工演示数据,受数据收集成本限制,只能训练少数几个游戏。缺乏大规模、多样化、带标注动作的数据集,阻碍了通用游戏代理的发展。
本文的目标是本文旨在构建一个能够跨越数百个游戏、无需手工设计奖励函数或API、能够从零样本或少量样本中适应新游戏的通用游戏代理。具体目标包括:(1) 收集并标注大规模的互联网游戏视频数据集,(2) 设计统一的跨游戏评估基准,(3) 训练一个基础的视觉-动作模型作为预训练起点,证明互联网规模预训练的可行性。
与已有工作不同的是,本文的独特切入角度是利用一种新的数据源:游戏主播使用的输入覆盖层软件会在屏幕角落实时显示玩家操作(如游戏手柄的按钮状态和摇杆位置)。通过自动解析这些覆盖层,可以从公开的游戏视频中提取动作标签,无需昂贵的人工标注。这种数据源天然包含了真实玩家的多样化行为,且可以扩展到互联网规模。同时,本文开发的通用模拟器能够将任何商业游戏包装成Gymnasium环境,实现了标准化接口。
核心方法
NitroGen的整体思路是先从互联网收集大规模带动作标签的游戏视频,然后训练一个通用的视觉-动作模型,最后通过微调适应新游戏。技术路线分为三个组件:(1) 数据集构建:从公开视频中自动提取玩家操作,构建40,000小时的视频-动作数据集;(2) 评估环境:开发通用模拟器,将商业游戏包装成统一的Gymnasium接口;(3) 模型训练:使用流匹配训练视觉-动作transformer,支持跨游戏泛化。预训练模型可以直接在新游戏上零样本运行,也可以用少量数据微调获得更好性能。
核心创新点是利用输入覆盖层作为动作标签来源。这种数据源有三个关键优势:第一,覆盖层直接显示玩家的真实输入,无需通过逆动力学推断;第二,覆盖层存在于大量公开游戏视频中,可以自动收集到互联网规模;第三,覆盖层包含真实的玩家行为多样性,涵盖不同技能水平和策略。相比需要手工演示的传统方法,这种数据收集方式几乎零成本且可无限扩展。另一个核心创新是通用模拟器,通过拦截游戏引擎的系统时钟来控制仿真时间,实现了对任意商业游戏的程序化控制,无需修改游戏代码。
方法步骤详情
数据集构建分为三个阶段:(1) 模板匹配阶段:采样25帧,使用SIFT和XFeat特征匹配约300个控制器模板,通过关键点对齐估计仿射变换,要求至少20个内点,定位游戏手柄区域;(2) 动作解析阶段:使用SegFormer分割模型处理连续两帧(拼接在空间维度),输出11×11网格上的摇杆位置分割掩码和二进制按钮状态;(3) 质量过滤阶段:只保留50%时间戳有非零按钮或摇杆动作的片段,过滤掉55%的数据,同时在训练时遮罩屏幕上的控制器防止模型利用捷径。模型训练使用单帧256×256的RGB图像作为上下文,生成16动作块,通过AdamW优化器、WSD学习率调度(稳定阶段0.0001)、指数移动平均(衰减0.9999)进行训练。
技术新颖性
技术新颖性体现在三个方面:(1) 数据收集层面,首次利用输入覆盖层构建互联网规模的动作标注数据集,解决了动作标注的瓶颈问题;(2) 环境层面,通用模拟器通过系统时钟拦截实现了对任意商业游戏的标准化控制,无需游戏引擎的专用接口;(3) 模型层面,采用流匹配训练视觉-动作模型,将扩散模型从图像生成迁移到动作生成领域,并证明了仅用单帧上下文和16动作块就能实现良好的时间一致性。相比VPT仅限于Minecraft、SIMA需要人工演示,NitroGen在游戏多样性和数据规模上都有质的提升。
实验结果
核心发现包括四个方面:(1) 动作提取管道的有效性:在基准测试中,摇杆位置的平均$R^2$为0.84,按钮帧准确率为0.96,覆盖Xbox、PlayStation等主流控制器家族,证明自动解析的可靠性;(2) 预训练模型的零样本能力:在10个游戏的30个任务上,未微调的模型就能实现非平凡的完成率,2D俯视游戏平均61.5%,2D侧卷游戏平均54.0%,3D游戏平均52.0%,表明模型能够泛化到未见过的游戏;(3) 数据集噪声的鲁棒性:尽管数据存在延迟、视觉干扰(如直播聊天框)、控制器配置差异等噪声,大规模预训练仍然能得到稳健的策略;(4) 预训练的迁移优势:在低数据 regime(30小时)下,从预训练模型微调相比从头训练,在等距roguelike游戏上平均相对改进10%,在3D动作RPG上平均相对改进25%,其中战斗任务达到52%的相对改进,表明预训练学习了可迁移的游戏技能。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 动作提取-摇杆位置 | R²分数 | 0.84 (所有控制器平均) | 不适用 | 首次实现互联网规模自动标注 |
| 动作提取-按钮状态 | 帧准确率 | 0.96 (所有控制器平均) | 不适用 | 首次实现互联网规模自动标注 |
| 等距roguelike游戏微调 (120h数据) | 任务完成率 | 57.8% | 48.1% (从头训练) | 20% 相对改进 |
| 3D动作RPG微调 (30h数据) - 战斗任务 | 任务完成率 | 81.0% | 53.0% (从头训练) | 52% 相对改进 |
| 3D动作RPG微调 (30h数据) - 导航任务 | 任务完成率 | 73.3% | 60.0% (从头训练) | 25% 相对改进 |
局限与改进
作者承认的局限性包括:(1) NitroGen是一个快速反应的系统1感知模型,无法进行长期规划或遵循语言指令,模型只对短期上下文做出反应;(2) 数据集存在偏差,覆盖了超过1000个游戏但主要集中在动作游戏(34.9%是动作RPG,18.4%是平台游戏),偏向使用游戏手柄的游戏,键盘游戏或需要复杂操作的游戏代表性不足;(3) 通用模拟器通过拦截系统时钟控制仿真时间,虽然适用于大多数游戏,但可能影响某些游戏的物理引擎行为,且不支持实时或异步部署。我观察到的额外局限是:模型只使用单帧上下文,对于需要记忆的任务可能表现不佳;数据集虽然大,但每个游戏的平均小时数相对较少,可能导致对复杂游戏的深度不够。
独立分析的弱点
独立分析的弱点及改进方向:(1) 数据偏差导致泛化受限:当前数据集偏向动作游戏和手柄操作,难以泛化到策略游戏、模拟游戏等需要长期规划的游戏类型。改进方向是扩展数据收集策略,专门收集键盘鼠标操作的游戏、RTS策略游戏等;(2) 缺乏长期记忆和规划能力:模型只使用单帧上下文,无法处理需要记忆的任务(如记住之前的敌人位置或地图探索)。改进方向是引入记忆机制,如循环神经网络或注意力记忆,支持多帧上下文;(3) 不支持语言指令:当前模型完全依赖视觉输入,无法理解自然语言指令。改进方向是加入语言编码器,构建视觉-语言-动作模型,支持任务条件化;(4) 模拟器限制:系统时钟拦截方法可能影响某些游戏的物理,且不支持实时交互。改进方向是开发更底层的接口,如内存读取、网络包拦截等。
未来方向
作者提出的未来工作方向包括:(1) 语言条件化:后训练NitroGen以支持语言指令跟随,增强规划能力;(2) 强化学习:在预训练基础上应用RL微调,提升成功率;(3) 扩展模态:加入音频输入,利用游戏中的声音信息。基于成果可延伸的方向:(1) 多模态扩展:引入目标检测、场景理解等感知模块,构建更丰富的游戏状态表示;(2) 层次化架构:将NitroGen作为低层动作策略,上层使用LLM进行高层规划和推理;(3) 主动学习:让模型主动请求标注或演示,提高数据效率;(4) 跨领域迁移:研究游戏技能如何迁移到机器人等其他具身领域;(5) 元学习:训练模型快速适应新游戏,减少微调数据需求;(6) 安全性和可控性:研究如何确保游戏代理的行为符合预期,避免不良行为。
复现评估
复现性评估:论文声明将开源数据集、模拟器和预训练权重,这是非常好的实践。数据集包含40,000小时视频和解析的动作标签,虽然下载量较大但提供了完整资源。模拟器的Gymnasium API标准化了接口,便于复现实验。模型架构基于公开的GR00T N1和SigLIP 2,实现细节在附录中给出。主要挑战在于算力需求:训练需要大规模GPU资源(原文未给出具体算力,但提到40,000小时视频的大规模训练),但推理阶段相对轻量。动作提取管道的模板匹配和SegFormer模型也开源了,研究者可以在自己的视频上复现。整体而言,开源策略很完整,复现难度主要在于算力资源,而非实现细节不明。
论文图表