科学論文リポジトリのarXivは2026年10月1日(現地時間)、ハオユエ・ヤン氏らの研究論文「GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets」を公開しました。この論文は、大規模言語モデル (LLM) を用いたゲーム開発エージェントの訓練を目的とした、スケーラブルなフレームワーク「GameGo」について詳述しています。GameGoは、簡潔なゲームの着想を、業界の実践に基づいた包括的な製品要件定義書へと変換する能力を持ちます。
GameGoは、コーディングエージェントが、ユーザーからの漠然とした問い合わせから複雑なゲームを生成する際に頻繁に直面する、不完全なメカニクス、断絶したゲームプレイフロー、限られた視覚的表現といった課題の解決を目指します。従来の取り組みが、複雑な多段階ワークフローや静的なゲーム評価ベンチマークに依存していたのに対し、本研究は、実世界におけるエンドツーエンドのゲーム合成に直接焦点を当てています。
GameGoの基盤となるのは、タスク固有の動的圧縮技術です。これにより、設計探査を制限することなくコアゲームプレイの制約を維持しつつ、情報密度を最大化し、指示への高い追従性を保持することが可能になります。この独自パイプラインに基づき、2D、2.5D、3Dゲームにわたる55,060の開発軌跡を含む大規模データセット「GameGoData」が構築されました。さらに、124の多様なゲームクエリから構成されるベンチマーク「GameGoBench」も開発され、エージェントの性能評価に用いられます。
GameGoDataを用いて開発された「GameGoCoder」を訓練した結果、既存のベースラインモデルを大幅に上回る性能が確認されました。また、広範なゲーム開発ベンチマークにおいて、最先端のモデルに匹敵する、あるいはそれを超える結果が示されました。関連する全てのコード、データセット、モデルは、研究コミュニティのさらなる発展のために今後公開される予定です。
参考: arXiv cs.AI — 2026年10月7日 13:00 (JST)