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.
- 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.
Yeni yapay zeka ajanları oynanabilir oyunlar üretebiliyor ancak bu oyunların mutlaka ilgi çekici olması gerekmiyor.
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
@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}
}
Cheng, W. (2026). PlayCraft: Temsilci Oyun Deneyiminden İlgi Çekici Oyunlar Tasarlama. arXiv. https://arxiv.org/abs/2611.26624
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın