Minecraftシリーズだけの学習では汎化せず 多様なゲームでの事前学習が有効と研究

miHoYoの崩壊AI研究チームのメンバーを含む研究チームが10月20日、多様な仮想世界での実体エージェント向け継続的事前学習に関するプレプリント「Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds」を公開した。研究チームには清華大学、中国科学院大学、香港大学、シンガポール国立大学、北京大学の研究者も参加している。automaton-media.comが伝えた。

研究では、AlibabaのマルチモーダルAI「Qwen3.5」を用い、79種類のゲームデータセットから50時間から1600時間分のプレイデータで継続的な事前学習を行った。モデル規模、データ量、Minecraftシリーズのデータの割合を変えた120通りの条件を5つの設定で検証している。

Minecraftシリーズのデータのみで学習したモデルは、統合検証ロスが改善しなくなったり悪化したりし、ViZDoomを含むベンチマークで5条件中最下位となった。一方、多様なゲームで学習したモデルは、学習データ1600時間の時点で平均OGAスコアがMinecraftシリーズのみのモデルの約2.8倍に達した。

学習データでわずかな割合しか占めていなかったDOOMでも性能が向上した。ただし、2Dおよび2.5DのGameWorldベンチマークでは、事前学習前のベースラインを安定して上回ることはできなかった。

リアルタイムのテストでは、研究チームのモデルがMinecraftシリーズを含む複数のゲームでGPT-5.6 Sol、Claude Opus 5.0、Gemini-3.8-Flashといった汎用AIを上回った。一方、非リアルタイム条件では汎用AIのスコアが高かった。

従来研究との違い

記事によると、実体エージェントの継続的事前学習に関する従来の研究は、データ量、多様性、モデル規模を同時に変化させていたため、各要因の効果は不明だった。