# 扩散模型即实时游戏引擎 > GameNGen 以扩散模型而非游戏代码交互式地模拟 DOOM。首先由 PPO 智能体在 ViZDoom 中游玩，记录下从随机策略到训练后期的轨迹作为训练数据。随后微调 Stable Diffusion v1.4，使其根据最近 64 帧画面与动作预测下一帧；训练时向上下文帧加入噪声，以保持长时间自回归生成的稳定，并微调潜空间解码器以改善细节。使用 4 步采样时，它在单个 TPU-v5 上以每秒 20 帧运行。作者报告下一帧预测 PSNR 为 29.43，人工评估者在短片段中辨认出真实游戏的比例为 58%–60%。 - 作者：Dani Valevski; Yaniv Leviathan; Moab Arar; Shlomi Fruchter - 原标题：Diffusion Models Are Real-Time Game Engines - 发表载体：ICLR 2025 - 发表状态：会议论文 - 出版／提交日期：2025 年（具体日期未核实） - 日期依据：采用 ICLR 官方论文集标明的出版年份，不推定更精确的出版日期。论文集页面 2025-05-01 的引用日期未被采用，也不以 arXiv 日期代替。 - arXiv 首次提交：2024 年 8 月 27 日 - arXiv：2408.14837 - 已复核的 arXiv 版本：v2 - 来源复核于：2026-10-27 - 收录于：2026-11-03 - 原始论文： - PDF： - 项目： - BibTeX： - 目录页面： - 记录 JSON： - 英文版：[English](https://awesomerea.org/papers/paper-gamengen/index.md) ## 研究范围与局限 这是基于已有游戏的录制游玩数据训练的神经近似模型；它不恢复任何游戏逻辑、源码、素材或状态表示，也不是精确模拟。模型只能看到略多于 3 秒的历史，超出该窗口的状态只能依靠屏幕线索和习得的启发式维持，而这些启发式可能出错，例如连续射击可能导致生成敌人。对智能体从未探索过的位置与交互，模拟效果较差。训练使用 128 个 TPU-v5e 设备、7,000 万帧 320×240 的智能体数据，以及针对该环境的奖励函数。PSNR 是在 5 个关卡、2,048 条留出轨迹上以教师强制方式测得的单帧指标；自回归生成在数步后便会偏离真实轨迹。人工评估由 10 名评估者观看 1.6 秒和 3.2 秒片段，以及 150 段较晚时刻的 3 秒片段；作者表示自己常能在几秒内认出模拟画面。只在 DOOM 上做了测试，模型也无法便捷地创建新游戏。 ## 与本合集的关联 补充从游戏过程学习、非符号化地重建游戏交互行为的研究，与本合集中基于代码的世界模型及视觉游戏复刻研究形成对照。 ## 发表与复核说明 作者与标题依据 ICLR 2025 论文集页面及 PDF；论文集列出第 73754–73776 页，PDF 印有“Published as a conference paper at ICLR 2025”，未列出 DOI。arXiv 有两个标题与作者相同的版本：2024-08-27 的 v1 与 2025-04-24 的 v2，后者备注为“ICLR 2025”。OpenReview 论坛 P8pqeEkn1H 因验证页面无法自动获取。项目页面链接了论文与视频，但没有代码或权重，也未找到作者提供的代码发布。论文的可复现性说明依赖开放的 Stable Diffusion v1.4 权重、开源 ViZDoom 环境及文中记录的训练设置。其报告的每秒 50 帧使用经蒸馏的单步模型，画质有所下降。 ## 一手来源 1. 2. 3. 4. ## 关于此条目 已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。 原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。