arXiv 2610.28698
ゲームにおけるスケーリング：多様な仮想世界の身体性エージェントのための継続事前学習
Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds
AI推薦46
著者: Kuan Zhang, Yukun Chen, Zhihao Yang, Yue Su, Xiangnan Wu, Zirong Chen, Run Luo, Jinkun Hou +3
概要
本研究は、身体性ゲームエージェントのための継続事前学習（CPT）を、データ量、データの多様性、モデルサイズの3軸にわたる120の構成で統制的に検証します。学習済みの世界から未知の世界まで、3段階の検証損失とゲームプレイのベンチマークで評価し、経験的なスケーリング則を当てはめています。
はじめに
データ、多様性、モデル容量の拡大は物理環境での身体性学習を改善してきましたが、視覚スタイル、ダイナミクス、操作方法、目的が異なる仮想世界でも同じ効果が得られるかは不明です。
結果
多様性は関連する世界への汎化を改善しますが、遠い世界では効果が限定的です。また3D世界ではMinecraft専用モデルやフロンティアモデルと競合し、リアルタイム設定で最も良い性能を示しました。学習は、複数世界に広く効果がある初期のインターフェース段階から、効果が学習済みおよび関連する世界に限られる後期の世界段階へ移行します。
結論
継続事前学習だけでは遠い世界での差が残るため、汎用の身体性エージェントの構築にはCPTを超える、より豊かな学習段階が必要だと考えられます。