쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 17일 (화)까지4750건
3건 · "게임 에이전트"조건 지우기 ×
001▲ 89 · 댓글 4게임과 현실 환경을 아우르는 멀티모달 AI 에이전트 'Gamer' 공개Hugging Face가 장시간 작업을 수행하는 범용 시각-언어-행동 기초 모형 'Gamer'를 공개했다.AI · 머신러닝 · Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent

Key Point키보드-마우스 궤적 데이터 대규모 학습만으로 게임과 현실 환경 모두에서 작동하는 범용 에이전트를 만들 수 있음을 보여, AI 에이전트의 실용적 확장 경로를 제시한다.
핵심 요약
- Hugging Face가 장시간 작업을 수행하는 범용 시각-언어-행동 기초 모형 'Gamer'를 공개했다.
- 지각·메모리 관리·다단계 추론을 결합한 엔드투엔드 아키텍처로 2D 그래픽 인터페이스와 3D 시뮬레이션 환경 모두 대응한다.
- 수만 시간 분량의 장치 수준 키보드·마우스 상호작용 데이터로 사전학습하며, 시뮬레이션 게임과 체구화 환경의 궤적을 포함해 물리·가상 도메인의 환경 역학을 학습한다.
전체 요약 8문장 읽기 → 002▲ 283 · 댓글 2게임 AI 학습을 위한 합성 경험 기반 강화학습 프레임워크 Player-1화면 해석과 키보드·마우스 조작을 수행하는 컴퓨터 사용 에이전트는 발전했으나, 시각적으로 풍부하고 복잡한 게임 환경은 여전히 도전 과제로 남아 있습니다.AI · 머신러닝 · Player-1: Learning to Play from Synthetic Experience

Key Point게임 AI의 성능 개선이 실제 환경 데모 없이 합성 환경만으로 달성 가능함을 보여줌으로써, 대규모 데이터 수집 없이 일반적 디지털 제어 에이전트를 학습할 수 있는 길을 열었습니다.
핵심 요약
- 화면 해석과 키보드·마우스 조작을 수행하는 컴퓨터 사용 에이전트는 발전했으나, 시각적으로 풍부하고 복잡한 게임 환경은 여전히 도전 과제로 남아 있습니다.
- 기존 게임 에이전트 학습 파이프라인은 제한된 동적 게임 상태 커버리지의 대규모 데모에 의존하며, 상호작용 학습을 위한 확장 가능한 환경 구축이 어렵습니다.
- Player-1은 합성 경험을 통해 데모 이상의 게임 제어를 학습하는 포스트 트레이닝 프레임워크로, 상대적 포인터 모션, 지속적 입력, 복합 액션으로 컴퓨터 사용 액션 공간을 확장합니다.
전체 요약 9문장 읽기 → 003▲ 44 · 댓글 2AI 에이전트, 게임 경쟁으로 전략 학습하는 방식 평가대전 게임에서 AI 에이전트가 모델 가중치는 고정한 채 게임 정책을 자동으로 개선하는 적대적 휴리스틱 학습(AHL) 패러다임을 제안했다.AI · 머신러닝 · Can AI Agents Learn Their Way to the Top? Evaluating Heuristic Learning in a Long-Running Game Agent Competition

Key Point모델 가중치를 고정하면서 게임을 통해 정책을 학습·개선하는 새로운 AI 학습 방식이 실제 게임 경쟁에서 어느 수준인지 보여주는 첫 대규모 평가로, 에이전트의 한계와 가능성을 함께 드러낸다.
핵심 요약
- 대전 게임에서 AI 에이전트가 모델 가중치는 고정한 채 게임 정책을 자동으로 개선하는 적대적 휴리스틱 학습(AHL) 패러다임을 제안했다.
- 12개 실제 대전 게임과 1,920개 보관된 인간 프로그램을 포함한 AAArena 벤치마크를 구축하고, 실제 게임 대회를 모델로 한 평가 프로토콜을 적용했다.
- 에이전트는 규칙을 해석하고 상대를 선택한 후 리플레이를 분석하며 경기와 평가 예산 내에서 최고 순위 달성을 목표로 게임 에이전트를 수정했다.
전체 요약 7문장 읽기 →