米哈游联合清华开源 GameScaling：8 个 0.8B–27B 通用打游戏模型直接输出键鼠操作，Apache 2.0；27B 在《我的世界》超过专用模型，9B 实时对战胜过前沿大模型

这件事意味着什么

【要点】

米哈游「崩坏」AI 团队联合清华、国科大、港大、北大等，10 月 22 日公开 GameScaling 系列「通用打游戏」模型，权重和推理代码以 Apache 2.0 开源。

一、模型：基于 Qwen3.5 视觉语言模型，用键盘鼠标操作录像继续预训练。每次看当前画面和最近几帧，输出接下来 200 毫秒的键鼠动作，可以先想再动手。共 8 个检查点，0.8B、2B、9B、27B 各有两版：S1 只用《我的世界》数据，S3 混合多款游戏，《我的世界》只占 27%。每版都用了 1600 小时录像，0.8B 到 9B 单卡可跑。

二、实验：团队做了 120 组训练配置的对照实验，改变数据量（50 到 1600 小时）、多样性（5 种混合，覆盖 80 款游戏）和模型大小，并拟合出一条把三者都考虑进去的缩放规律。

三、成绩：在《我的世界》MCU 基准的 30 个任务上，27B-S1 平均成功率 63.3%，比此前最好的《我的世界》专用模型（GameWAM，50.7%）高约 13 个百分点。论文自测的「实时」模式下游戏不等模型思考，9B-S3 四项基准平均 25.3 分，Gemini 3.8 Flash 是 19.2 分。前沿模型每步要 4 到 24 秒，GameScaling 只要 0.13 到 0.69 秒。

四、局限：训练数据和训练代码不公开。在 2D/2.5D 等差别大的游戏上，前沿模型得分约是它的两倍。

【可核验】

Hugging Face 模型与推理代码：https://huggingface.co/THUSI-Lab/GameScaling

项目页（数据、图表、视频）：https://gamescaling.github.io/

arXiv 论文：https://arxiv.org/abs/2610.28698

GitHub 代码：https://github.com/THUSI-Lab/GameScaling

IT之家报道：https://www.ithome.com/1/016/575.htm

【我们的判断】

一、背景：让一个模型会玩很多游戏，此前主要有两条路。一条是专门训一个游戏，比如 OpenAI 2022 年的 VPT 和后来的 JARVIS-VLA，都只针对《我的世界》。另一条是用大模型当「玩家」，比如 DeepMind 的 SIMA 系列，以及本站 10 月 16 日报道的四个 Gemini 4 Argon 代理 27 小时通关《我的世界》。GameScaling 走的是中间路线：拿小型开源视觉语言模型，用大量键鼠录像继续预训练，而且同时公开了权重和缩放实验。

二、横向比较：在《我的世界》任务上，它的 2B 小模型就超过多数 7B 专用模型。不过 GameTARS-MoE（激活 200 亿参数）仍以 64.5% 略高于 27B-S1 的 63.3%。在游戏暂停等模型的设置下，Gemini 3.8 Flash、GPT-5.6 Sol 这些前沿模型仍然明显更强。论文最有意思的发现是「暂停」和「实时」两种设置的分差：游戏不等人时，前沿模型在 ViZDoom 和《我的世界》上掉分约九成，小模型基本不受影响。所以对游戏 NPC、机器人这类实时任务，快的小模型可能比慢的大模型好用。

三、影响：对游戏公司来说，这是做自动测试、陪玩 AI、智能 NPC 的现成底座，米哈游也借此展示了自己的模型研发能力。对具身智能研究者来说，「先学键鼠界面、再学具体世界」的两阶段规律，以及「多样性帮助相近世界、对差别大的世界帮助有限」的结论，可以直接用来规划机器人数据。

四、待确认：实时对比中，GameScaling 跑在团队自己的 H200 集群上，前沿模型走公网 API，网络延迟也算进了分数，论文自己也提醒了这一点。训练数据不公开，外界只能用模型，复现不了训练过程。所有成绩都是团队自测，有待第三方复核。