量子位
·
大模型开始打王者荣耀了
💡
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
腾讯推出的Think-In-Games框架使大语言模型在《王者荣耀》中实现实时决策，模型通过边玩边学的方式学习人类玩家策略，准确率达到90.91%。该方法结合强化学习和语言建模，显著提升推理能力。
🎯
关键要点
- 腾讯推出的Think-In-Games框架使大语言模型在《王者荣耀》中实现实时决策。
- 模型通过边玩边学的方式学习人类玩家策略，准确率达到90.91%。
- TiG将基于强化学习的决策重新定义为语言建模任务，弥合了传统大语言模型与强化学习的鸿沟。
- 大语言模型主要学习人类玩家在游戏中的宏观推理能力，制定团队策略。
- 模型通过读取游戏状态并选择宏操作，提供策略建议并解释原因。
- 研究团队构建数据集并提出“重新标注算法”以确保每个游戏状态都有宏观动作标签。
- 采用Group Relative Policy Optimization (GRPO)算法进行战略推理学习，使用基于二元规则的奖励机制。
- TiG结合监督微调和强化学习的多阶段训练方法，显著提高模型能力。
- 实验结果表明，SFT和GRPO的组合能显著提高模型性能，Qwen-3-14B达到了90.91%的准确率。
❓
延伸问答
Think-In-Games框架的主要功能是什么？
Think-In-Games框架使大语言模型在《王者荣耀》中实现实时决策，能够理解游戏状态并进行策略建议。
大语言模型在《王者荣耀》中如何学习人类玩家的策略？
模型通过边玩边学的方式，实时学习人类玩家的宏观推理能力和团队策略。
TiG框架如何提高模型的推理能力？
TiG结合了监督微调和强化学习的多阶段训练方法，显著提升了模型的推理能力。
Qwen-3-14B模型的准确率是多少？
Qwen-3-14B模型的准确率达到了90.91%。
TiG框架如何处理游戏状态和策略选择？
TiG框架通过读取游戏状态并选择宏操作，生成策略建议并解释原因。
在训练过程中，TiG使用了哪些算法？
TiG使用了Group Relative Policy Optimization (GRPO)算法和监督微调（SFT）进行训练。
➡️
