九游app这就是腾讯近日推出的GameGen-O，一个专门生成开放世界视频游戏的Transformer模型。
简单说，这个模型能够模拟各种游戏引擎功能，生成游戏角色、动态环境、复杂动作等等。
当然也支持交互控制，用户可以通过文本、操作信号和视频提示来控制游戏内容。
具体来说，这个项目由腾讯光子工作室（曾打造出和平精英）联合港科大、中国科大推出。
推测想要做的事儿，是用AI模型替代一些游戏开发环节。比如目前公布的游戏角色创建、游戏环境生成、动作生成、事件生成以及各种交互控制。
现在九游app，用GameGen-O就能直接生成各种角色了九游app，西部牛仔、太空人、魔法师、警卫……一键生成。
游戏必备环节——给玩家偶尔上亿点难度，海啸、龙卷风、火灾事件这就安排（doge）。
与此同时，GameGen-O也支持开放域生成，即不限风格、环境、场景那种。
好家伙，谁都知道游戏开发有多烧钱，这下，普通玩家也能用GameGen-O制作游戏了。
团队从互联网上收集了32,000个原始视频，这些视频来自数百款开放世界游戏，时长从几分钟到几小时不等九游app，类型包括角色扮演、第一人称射击、赛车、动作益智游戏等。
然后由人类专家对这些视频进行识别和筛选，最终得到大约15,000个可用视频。
下一步，将筛选后的视频通过场景检测技术切割成片段，并对这些视频片段进行基于美学、光流和语义内容的严格排序和过滤。
接下来使用GPT-4o对超过4,000小时的高质量视频片段进行细致的注释，这些片段的分辨率从720p到4k不等。
为了实现交互控制性，团队从注释后的数据集中选择最高质量的片段，并进行解耦标签（decoupled labeling）。
这种标签设计用于描述片段内容状态的变化，确保训练模型的数据集更加精细和互动。
这是递归自我改进（recursive self-improvement）的一种形式。（人类专家确保了注释的准确性，并通过反馈机制帮助GPT-4o进行自我改进）
完成数据准备工作后，团队经过基础预训练+指令调整两个过程来训练GameGen-O。
在基础训练阶段，GameGen-O模型使用了一个2+1D VAE（变分自编码器，如Magvit-v2）来压缩视频片段。
团队采用了不同帧速率和分辨率的混合训练策略，以增强跨帧率和跨分辨率的泛化能力。
另外，模型的整体架构遵循了Latte和OpenSora V1.2框架的原则。
通过使用掩码注意力机制，让GameGen-O具备了文本到视频生成和视频续集的双重能力。
这种训练方法，结合OGameData数据集，使得模型能够稳定且高质量地生成开放领域的视频游戏内容，并为后续的交互控制能力奠定了基础。
在这之后，预训练的模型被固定，然后使用可训练的InstructNet进行微调，这使得模型能够根据多模态结构指令生成后续帧。
InstructNet主要用于接受各种多模态输入，包括结构化文本、操作信号和视频提示。
在InstructNet分支的调整过程中，当前内容被用作条件九游app，从而在当前片段内容和未来片段内容之间建立了映射关系，这在多模态控制信号下进行。
造成的结果是九游app，在推理时，GameGen-O允许用户基于当前片段不断生成和控制下一个生成的片段。
目前，GameGen-O已创建GitHub官方仓库，只不过还没来得及上传代码。
本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。