游戏AI-基于多模态大语言模型的游戏Agent：感知、决策与交流一体化研究

课题背景： 近年来，游戏Agent已成为提升玩家体验的关键技术之一，强化学习等人工智能技术的突破，使得游戏Agent能够通过与环境的持续交互进行训练，从而学会完成复杂任务、制定长期策略等能力。然而，基于传统强化学习的Agent缺乏自然语言理解与对话能力，难以实现拟人化的沟通与协作，制约了沉浸式交互游戏体验的进一步提升。 本课题旨在探索以多模态大语言模型（MLLM）为核心驱动，升级游戏Agent的交互与认知能力，最终实现具备“感知、交流、决策”能力的Agent。本课题涉及多模态理解、游戏状态表示与压缩、视觉-语言-动作建模（VLA）、以及基于世界模型（World Models）等多个研究方向。 课题挑战：

1. 01

   游戏状态感知与理解：当前主流多模态大模型主要面向图像、视频、音频与文本理解，缺乏对复杂、高维动态游戏状态的有效建模能力，难以直接基于高维动态信息进行实时决策与上下文相关的对话生成。

2. 02

   模型结构设计：如何设计一个Agent框架和模型结构，使得Agent具备“能听、会说、会玩”的能力。

3. 03

   推理效率与成本：游戏状态信息较多且复杂，若直接作为提示输入大模型，过长的上下文将对模型效果、推理延迟及计算成本产生显著影响。

4. 04

   泛化与拓展性：如何提升游戏Agent的泛化拓展能力，涉及游戏状态的统一表示，以及模型的统一建模等，使得Agent能够处理不同场景不同品类的游戏。 具体工作： 主要参与游戏Agent的模型结构设计（涉及多模态结构）、训练数据构建、奖励函数设计、强化学习算法优化（PPO、GRPO等）、性能优化及效果评估等研发工作，旨在提升游戏Agent的决策能力与交互体验。

1. 01

   包括但不限于计算机、信息工程、人工智能、自动化、应用数学等相关专业的博士或优秀硕士在读；

2. 02

   对LLM/VLM Agent、RL 后训练有深入理解；

3. 03

   具备优秀的科研视野与工程实现能力，熟练掌握 PyTorch 等深度学习框架。