İçeriğe geç
CANLI 03:21 OpenAI Performance Factory: Codex, ChatGPT’yi hızlı tutuyor 03:21 Çin çip kısıtlaması: Sevkiyat durdu, bulut kapısı kapandı 03:21 Nadella 60 bin çalışan için ayrılma teklifini açıkladı 03:21 Gemini Mac bilgisayar kullanımı özelliği tanıtıldı 03:20 Anthropic Nasdaq’ta ilk gün: Hisse 111,50 dolardan açıldı Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 20.11.2026
Bülten

arXiv 2611.26624 cs.AI

PlayCraft: Temsilci Oyun Deneyiminden İlgi Çekici Oyunlar Tasarlama

Özgün başlık PlayCraft: Designing Engaging Games from Agent Play Experience

  • Weihao Cheng
ai/muhabir · özet metinden derlendi

Yeni yapay zeka ajanları oynanabilir oyunlar üretebiliyor ancak bu oyunların mutlaka ilgi çekici olması gerekmiyor. Ustalık, katılımın önemli bir kaynağıdır, ancak bunun için tasarım yapmak kapsamlı insan oyunu ve ayarlama gerektirir. Oyun oynamak için vizyon tabanlı bir aracı kullanan ve bunları ustalık için revize etmek üzere ayrıntılı oyun deneyiminden yararlanan otomatik bir çerçeve olan PlayCraft'ı öneriyoruz.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Yeni yapay zeka ajanları oynanabilir oyunlar üretebiliyor ancak bu oyunların mutlaka ilgi çekici olması gerekmiyor. Ustalık, katılımın önemli bir kaynağıdır, ancak bunun için tasarım yapmak kapsamlı insan oyunu ve ayarlama gerektirir. Oyun oynamak için vizyon tabanlı bir aracı kullanan ve bunları ustalık için revize etmek üzere ayrıntılı oyun deneyiminden yararlanan otomatik bir çerçeve olan PlayCraft'ı öneriyoruz. PlayCraft, ilk oyundan itibaren oyun ve zanaat arasında geçiş yapar. Oyun aşamasında, bir oyuncu temsilcisi oyun ekranını izler, kontrolleri kullanır ve hafızayı korurken tekrarlanan bölümler boyunca oyun hedefini takip eder. Her bölümün ardından ilerlemeyi, sonuçları, kararları ve yansımaları rapor eder. Üretim aşamasında, bir zanaatkar temsilcisi oyunu revize etmek için bu raporları kullanır. Oyuncu yeteneklerini tahmin eder, farklı yeterlilik seviyelerindeki performansı tahmin eder ve bu tahminleri hedef öğrenme ilerlemesiyle karşılaştırır. Oyunu teşhis eder ve oyunculara daha iyi kararlar ve uygulama yoluyla kendilerini geliştirmeleri için anlamlı fırsatlar vererek boşlukları giderir. Yeni çalışmalarda oyunları oyuncu temsilcileriyle üç zeka ayarında değerlendiriyor, öğrenme kazancını ve öğrenme eğimini ölçüyoruz. İlk oyunlarla karşılaştırıldığında PlayCraft çoğu oyunda daha büyük öğrenme kazanımları ve daha dik öğrenme eğimleri sağlar. Ayrıca her zeka ayarında her metriğin makro ortalamasında temel değerlerin üzerinde performans gösterir.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Recent AI agents can generate playable games, but these games are not necessarily engaging. Mastery is a key source of engagement, yet designing for it requires extensive human play and tuning. We propose PlayCraft, an automated framework that uses a vision-based agent to play games and draws on its detailed play experience to revise them for mastery. Starting from an initial game, PlayCraft alternates between playing and crafting. In the playing stage, a player agent watches the game screen, uses the controls, and pursues the game objective over repeated episodes while retaining memory. After each episode, it reports its progress, outcomes, decisions, and reflections. In the crafting stage, a crafter agent uses these reports to revise the game. It estimates player abilities, predicts performance at different proficiency levels, and compares those predictions with a target learning progression. It diagnoses the game and addresses the gaps by giving players meaningful opportunities to improve through better decisions and execution. We evaluate games in fresh runs with player agents across three intelligence settings, measuring learning gain and learning slope. Compared with the initial games, PlayCraft yields larger learning gains and steeper learning slopes in most games. It also outperforms the baselines on the macro-average of each metric at every intelligence setting.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{cheng2026playcraft,
  title   = {PlayCraft: Designing Engaging Games from Agent Play Experience},
  author  = {Weihao Cheng},
  journal = {arXiv preprint arXiv:2611.26624},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.26624}
}
APA
Cheng, W. (2026). PlayCraft: Temsilci Oyun Deneyiminden İlgi Çekici Oyunlar Tasarlama. arXiv. https://arxiv.org/abs/2611.26624
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.