米哈游联合清华北大开源游戏AI模型，从0.8B到27B参数

这个模型到底能干什么

根据项目在GitHub上的说明，GameScaling系列基于Qwen3.5视觉语言模型继续预训练，训练数据是带键鼠操作的游戏过程录像。

它的工作方式和人类玩家很像：接收当前游戏画面以及此前若干帧画面、操作记录，然后输出接下来的键盘和鼠标操作指令。每次调用会生成覆盖约200毫秒的操作序列，包含6个各33毫秒的步骤，外加鼠标移动和滚轮指令。

目前支持的场景包括《我的世界》里的采矿、合成、对抗僵尸，《毁灭战士》里的战斗与寻路，以及密室解谜逃脱类任务。跨度不算小。

S1和S3的区别在哪

这次一共开源了8个检查点，分0.8B、2B、9B、27B四种参数规模，每种规模各有S1、S3两个版本。

S1只用《我的世界》的数据训练，属于单一场景专精；S3用多游戏混合数据，其中《我的世界》占27%左右。两个版本都用了1600小时的游戏数据。

硬件门槛方面，0.8B、2B、9B都能在单张GPU上部署，27B需要两张GPU做张量并行推理。项目还提供了推理客户端、提示词模板、操作解析代码和示例程序，支持vLLM部署。代码和权重都是Apache 2.0许可。

为什么是米哈游在做这件事

很多人第一反应是「游戏公司做AI研究是不是不务正业」。其实恰恰相反。

游戏本身就是最理想的AI训练场：规则明确、反馈即时、可以无限试错，而且天然带大量高质量的多模态数据。相比之下，让AI在真实世界里学操作，成本和风险都高得多。

米哈游这几年在AI上的投入一直在加码，从《崩坏：星穹铁道》的NPC对话生成，到《星布谷地》的玩法实验，再到这次的GameScaling开源。这种「用游戏养AI，再用AI反哺游戏」的路径，可能比单纯堆算力更有意思。

对普通玩家意味着什么

短期看，这套模型最直接的应用场景是自动化测试和NPC行为设计——让AI替测试员跑重复流程，或者让游戏里的角色行为更自然。

中期看，如果模型能泛化到更多游戏，理论上可以做出真正「看得懂屏幕」的通用游戏助手。当然，从实验室指标到实际产品，中间的距离一向比想象中远。

值得肯定的是开源这件事本身。27B的多模态游戏模型，配上Apache 2.0许可，对做游戏AI的研究者来说是一份相当实在的礼物。