每日論文

我們介紹了Lumine，這是首個開放式配方，用於開發能在具有挑戰性的3D開放世界環境中實時完成數小時複雜任務的通用型智能體。Lumine採用了類人交互範式，通過視覺-語言模型驅動，將感知、推理與行動以端到端的方式統一。它以5赫茲的頻率處理原始像素，生成精確的30赫茲鍵鼠操作，並僅在必要時自適應地調用推理功能。在《原神》中訓練的Lumine，成功以與人類相當的效率完成了整個五小時的蒙德主線劇情，並能根據自然語言指令，在3D開放世界探索與2D圖形用戶界面操作中執行廣泛任務，包括收集、戰鬥、解謎及與NPC互動。除了在特定領域內的表現外，Lumine還展現出強大的零樣本跨遊戲泛化能力。無需任何微調，它便能在《鳴潮》中完成100分鐘的任務，並完整通關《崩壞：星穹鐵道》首章五小時的內容。這些令人鼓舞的成果凸顯了Lumine在不同世界及交互動態中的有效性，標誌著在開放環境中邁向通用型智能體的具體一步。