11 月 13 日挂上 arXiv 的 2611.18397,作者栏不是常见的大模型厂商,而是米哈游 Honkai AI R&D Team,合作机构包括新加坡国立大学、清华大学、中国科学院大学、中国科学技术大学和西安交通大学。他们交出的模型叫 Gamer,定位是通用视觉-语言-动作(VLA)基础模型,专攻长时程、实时的游戏智能体:不读内存、不调专用接口,只看屏幕像素、输出原生键鼠操作,像人一样坐在屏幕前打游戏。

三段式训练:先看录像,再学指令,最后自己试错

Gamer 的底座是 Qwen3-VL-8B,训练分三步。第一步继续预训练(CPT),语料是数万小时的设备级键鼠轨迹,其中《崩坏:星穹铁道》录音轨道约有 68K 场、11K 小时原始录像,过滤掉损坏、错位和无意义片段后,约 3.2K 场、1K 小时进入标注环节;星铁部分最终对齐出约 149K 段剪辑、约 332 小时进入 CPT。游戏轨迹占训练 token 的 85%,另外 15% 是通用多模态数据。团队还跑了 120 组受控对照实验(4 个模型规模 × 6 档游戏时长预算 × 5 种数据配比)。动作接口每 200ms 采样一次观察(5Hz),每段切成 6 个键鼠子块,等效约 30Hz 的控制频率。

第二步是指令微调(SFT):由 GPT-5.6-Luna 在关键决策点标注稀疏的 Think 推理、任务指令与记忆摘要,把操作、子目标、完整任务三个层级缝进同一条轨迹。第三步是 TA-GRPO 在线强化学习:64 张 H200 同时伺服 32 个并行游戏环境,每轮收集 128 条 rollout,奖励全部来自游戏环境侧的可验证信号,没有训练额外的过程奖励模型。

成绩单:支线 83.6%,七类小游戏宏平均 49.7%

在两条训练时没见过的星铁支线上,整体准确率的变化是:底座 0.0% → CPT 34.4% → SFT 72.2% → RL 80.0%(Opportunity Makes the Thief),以及 13.9% → 47.9% → 69.1% → 83.6%(Bestial Ferocity)。40 个 held-out 小游戏实例、七类玩法的宏平均则是 3.2% → 15.0% → 39.2% → 49.7%。同一张表里,一排 API 前沿模型的成绩是:GPT-6.1-Sol 17.1%、GPT-5.6-Sol 12.0%、GPT-5.6-Luna 11.5%、Claude-Opus-5.0 9.9%、GLM-5.3-Flash 8.2%、Gemini-3.8-Flash 和 DeepSeek-V4-Flash-Vision 各 2.0%——以上均为论文自报口径。跨游戏方向,8B CPT 策略在四个公开游戏基准上的平均实时分为 29.5,Qwen3.5-35B-A3B MoE 版为 31.5,论文称两者都超过了表内任何一个通用基线。

隐藏主角:把 1.31 秒压到 65 毫秒的推理引擎

实时游戏对推理延迟极其敏感,这部分由自研的 Streaming-vLLM 扛住:跨轮次保留 KV 状态并做记忆压缩,用有限状态机校验结构化动作 token,提前流式派发已验证的动作块。在 H200 上跑 Qwen3.5-35B-A3B MoE,端到端延迟从 1306ms 一路压到 65ms,论文称之为 20.1 倍加速,步进率从 0.77Hz 提到 15.36Hz。这套引擎直接反过来影响训练:把 rollout 换成标准 vLLM 的 0.6-FPS 慢速控制后,八个导航任务的奖励曲线在学习后期出现崩塌。流式视频理解方面,Streaming-vLLM 在 StreamingBench 拿到 83.29(对照 DSCache 为 83.21),查询延迟从 0.53s 降到 0.08s。

这条路不止米哈游在走

用人类键鼠轨迹加 scaling 练游戏智能体,不是孤例。Game-TARS(arXiv 2510.23691,2025 年 10 月)用统一的键鼠动作空间预训练了超过 500B token;2026 年 1 月的另一篇(arXiv 2601.04575)干脆开源了 8300+ 小时高质量人类游戏轨迹和完整训练配方,模型在消费级 GPU 上实时推理,成绩与人类玩家相当。不同团队、不同配方,在同一件事上各自踩通了。

泼点冷水

论文自己列了三条限制:评测覆盖的环境和任务结构仍有限;serving 成本还可以继续降;深度推理仍是瓶颈,作者设想用 System 2 慢思考加 System 1 快执行的分层架构来补。远迁移也没那么神,论文承认在更远的 GameWorld 上 CPT 检查点提升有限;RL 同样不是全面提升——七类小游戏里 Janus 的迷宫从 SFT 的 52.4% 反而掉到 RL 后的 23.8%。另外,GitHub 仓库已经上线,但 Streaming-vLLM 引擎还躺在 TODO 列表里尚未放出,论文称将开源的 CPT 检查点也还没见到实物。「操作效率与熟练玩家相当」这句话,目前同样只是论文自述口径。

游戏是天然自带可验证奖励的环境,而游戏公司自己最清楚哪里需要成千上万次重复测试。当米哈游开始训自己的模型,最先落地的大概率不是陪你玩,而是自动化 QA 和回归测试。键盘鼠标,正在成为具身智能之外另一条通用的「动作词表」——下一个下场的游戏公司,会是谁?

论文:https://arxiv.org/abs/2611.18397 | 项目页:https://mihoyo-gamer.github.io/ | 代码仓库:https://github.com/RainBowLuoCS/Gamer