💻 computer science

ReactiveGWM: Steering NPC in Reactive Game World Models

ReactiveGWM एक नवीन गेम वर्ल्ड मॉडल है जो गतिशील, संवादात्मक सिमुलेशन को संश्लेषित करने के लिए खिलाड़ी के नियंत्रणों को NPC व्यवहारों से अलग करता है, जिससे बिना किसी डोमेन-विशिष्ट पुनर्र्व huấn (retraining) के विभिन्न खेलों में ज़ीरो-शॉट रणनीति स्थानांतरण और स्टीयरेबल (steerable) NPC प्रतिक्रियाएं सक्षम होती हैं।

मूल लेखक: Zeqing Wang, Danze Chen, Zhaohu Xing, Zizhao Tong, Yinhan Zhang, Xingyi Yang, Yeying Jin

प्रकाशित 2026-05-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zeqing Wang, Danze Chen, Zhaohu Xing, Zizhao Tong, Yinhan Zhang, Xingyi Yang, Yeying Jin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक वीडियो गेम देख रहे हैं, लेकिन उसे खेलने के बजाय, आप केवल स्क्रीन को देख रहे हैं। अधिकांश आधुनिक "गेम वर्ल्ड मॉडल्स" (AI जो गेम वीडियो की भविष्यवाणी करने या उत्पन्न करने की कोशिश करते हैं) में, कंप्यूटर दुश्मन पात्र (NPC) को पृष्ठभूमि के दृश्य (background scenery) के एक हिस्से की तरह मानता है—जैसे कि एक पेड़ या दीवार। यदि आप अपने पात्र को हिलाते हैं, तो AI दुश्मन को एक पूर्व-निर्धारित तरीके से चलते हुए दिखाता है, जैसे कि धागे से बंधी कोई कठपुतली। दुश्मन वास्तव में "सोचता" नहीं है या प्रतिक्रिया नहीं देता; यह केवल एक स्क्रिप्ट का पालन करता है।

ReactiveGWM एक नया सिस्टम है जो इसे बदल देता है। यह दुश्मन को एक प्रॉप (prop) के रूप में नहीं, बल्कि एक स्मार्ट, स्वतंत्र प्रतिद्वंद्वी के रूप में देखता है जो वास्तव में आपके साथ खेल सकता है।

यह कैसे काम करता है, इसके लिए कुछ सरल उपमाओं का उपयोग किया गया है:

1. "दो-चैनल" वाला रेडियो

गेम की दुनिया को एक रेडियो स्टेशन की तरह समझें।

पुराना तरीका (प्लेयर-सेंट्रिक): रेडियो में केवल एक ही चैनल है। यह सब कुछ आपके कार्यों के आधार पर प्रसारित करता है। यदि आप कूदते हैं, तो दुश्मन कूदता है क्योंकि स्क्रिप्ट में ऐसा ही लिखा है। दुश्मन की अपनी कोई आवाज़ नहीं होती।
ReactiveGWM: यह सिस्टम रेडियो को दो अलग-अलग चैनलों में विभाजित करता है।
- चैनल A (आप): यह चैनल आपकी विशिष्ट गतिविधियों (कूदना, पंच मारना) के लिए है। AI इस चैनल को बहुत ध्यान से सुनता है ताकि यह सुनिश्चित हो सके कि आपका पात्र बिल्कुल वैसा ही करे जैसा आप उसे करने के लिए कहते हैं।
- चैनल B (दुश्मन): यह चैनल दुश्मन के "दिमाग" के लिए है। केवल आपको देखने के बजाय, दुश्मन एक विशिष्ट निर्देश सुनता है जैसे "आक्रामक बनो" (Be Aggressive), "रक्षात्मक खेलो" (Play Defensively), या "दूरी बनाए रखो" (Keep Your Distance)।

2. "घोस्ट राइटर" बनाम "डायरेक्टर"

पेपर इन दो चैनलों को आपस में भ्रमित हुए बिना अलग रखने के लिए एक चतुर तकनीक का उपयोग करता है।

घोस्ट राइटर (आपके कार्य): जब आप एक बटन दबाते हैं, तो AI एक "लाइटवेट एडिटिव बायस" (lightweight additive bias) का उपयोग करता है। कल्पना कीजिए कि यह एक घोस्ट राइटर है जो जल्दी से स्क्रिप्ट पर एक नोट लिख देता है: "हे, खिलाड़ी ने अभी पंच मारा।" यह एक छोटा, तेज़ जोड़ है जो पूरी कहानी को फिर से नहीं लिखता, बस आपकी विशिष्ट क्रिया को जोड़ देता है।
डायरेक्टर (दुश्मन की रणनीति): दुश्मन का व्यवहार एक "डायरेक्टर" (एक क्रॉस-अटेंशन मॉड्यूल) द्वारा निर्देशित होता है। यह डायरेक्टर बैकग्राउंड के विशिष्ट पिक्सेल की परवाह नहीं करता; यह गेम के लॉजिक (तर्क) की परवाह करता है। यह "ऑफेंस" (Offense) जैसे उच्च-स्तरीय प्रॉम्प्ट को पढ़ता है और दुश्मन को बताता है, "ठीक है, दूरी कम करो और हमला करो।"

3. "यूनिवर्सल ट्रांसलेटर" (जीरो-शॉट ट्रांसफर)

यह इस पेपर का सबसे जादुई हिस्सा है। आमतौर पर, यदि आप किसी AI को Street Fighter II खेलना सिखाते हैं, तो वह बिना दोबारा प्रशिक्षित हुए Street Fighter Alpha 3 नहीं खेल सकता।

ReactiveGWM दुश्मन के तर्क के लिए एक "यूनिवर्सल ट्रांसलेटर" सीखता है।

कल्पना कीजिए कि आप एक छात्र को शतरंज के कुछ विशिष्ट नियमों का उपयोग करके खेलना सिखाते हैं।
ReactiveGWM छात्र को "आक्रामक होने" या "रक्षात्मक होने" की अवधारणा (concept) सिखाता है, जो विशिष्ट शतरंज के मोहरों से जुड़ी नहीं होती है।
इस कारण से, आप अपने "दुश्मन के दिमाग" (Enemy Brain) को एक गेम से दूसरे गेम में सीधे प्लग कर सकते हैं। दुश्मन तुरंत उस नए गेम में उसी रणनीति (आक्रमण, नियंत्रण, रक्षा) के साथ खेलना शुरू कर देता है, भले ही उसने पहले कभी वह गेम न देखा हो। यह वैसा ही है जैसे एक कोच को, जो जानता है कि फुटबॉल टीम को कैसे प्रशिक्षित करना है, उसे तुरंत एक बास्केटबॉल टीम को कोच करने के लिए ले जाना और उसे बास्केटबॉल के नियम सीखने की आवश्यकता के बिना उन्हीं सिद्धांतों का उपयोग करने के लिए कहना।

4. परिणाम

शोधकर्ताओं ने दो क्लासिक फाइटिंग गेम्स (Street Fighter II और Street Fighter Alpha 3) पर इसका परीक्षण किया।

आपका नियंत्रण बना रहता है: आपका पात्र ठीक उसी समय हिलता है जब आप उसे कहते हैं।
दुश्मन स्मार्ट हो जाता है: जब उसे "आक्रामक" होने के लिए कहा जाता है, तो दुश्मन वास्तव में आप पर हमला करता है। जब उसे "रक्षात्मक" होने के लिए कहा जाता है, तो वह पीछे हट जाता है और ब्लॉक करता है। यह केवल एक स्क्रिप्ट का पालन करना नहीं लगता; यह ऐसा लगता है जैसे वह आपकी प्रतिक्रिया दे रहा है।
अतिरिक्त प्रशिक्षण की आवश्यकता नहीं: वे एक बुनियादी AI मॉडल को ले सकते थे जो दुश्मन की रणनीतियों के बारे में कुछ नहीं जानता था, उसमें ReactiveGWM का "दुश्मन का दिमाग" प्लग किया, और अचानक वह मॉडल एक नए गेम में स्मार्ट, रणनीतिक दुश्मनों के साथ खेलने लगा।

सारांश

संक्षेप में, ReactiveGWM एक ऐसा सिस्टम है जो गेम के दुश्मनों को केवल बैकग्राउंड सजावट की तरह मानना बंद कर देता है। यह उन्हें एक "दिमाग" देता है जो उच्च-स्तरीय रणनीतियों (जैसे "हमला" या "रक्षा") का पालन कर सकता है, जबकि आपके अपने पात्र की गतिविधियों की सटीकता को भी बनाए रखता है। सबसे अच्छी बात यह है कि एक बार जब यह सीख जाता है कि एक गेम में दुश्मन को स्मार्ट कैसे बनाया जाए, तो यह बिना दोबारा सीखे उसी बुद्धिमत्ता को अन्य खेलों में तुरंत लागू कर सकता है।

तकनीकी सारांश: ReactiveGWM

समस्या विवरण

वर्तमान गेम वर्ल्ड मॉडल मुख्य रूप से एक खिलाड़ी-केंद्रित परिप्रेक्ष्य (player-centric perspective) से संचालित होते हैं, जहाँ नॉन-प्लेयर कैरेक्टर्स (NPCs) को केवल दृश्य वातावरण के भीतर पृष्ठभूमि पिक्सेल के रूप में माना जाता है। इन मौजूदा ढांचों में, NPCs को सामरिक इरादे (tactical intent) वाले स्वायत्त एजेंटों के रूप में मॉडल नहीं किया जाता है; इसके बजाय, उनका व्यवहार स्पष्ट रूप से निश्चित क्रिया अनुक्रमों या वर्णनात्मक प्रॉम्प्ट्स से जुड़ा होता है जो खिलाड़ी और NPC की गतिशीलता को आपस में उलझा देते हैं। फलस्वरूप, ये मॉडल वास्तविक सिमुलेशन इंजन के बजाय निष्क्रिय वीडियो रेंडरर (passive video renderers) के रूप में कार्य करते हैं। इनमें क्रिया-प्रेरित NPC प्रतिक्रियाशीलता (action-induced NPC reactivities) को मॉडल करने के लिए आवश्यक भौतिक समझ की कमी है, जिससे गेमप्ले केवल एकाकी अनुभवों तक सीमित हो जाता है और उन सार्थक, प्रतिस्पर्धी अंतःक्रियाओं को रोकता है जहाँ NPCs स्वायत्त रूप से उच्च-स्तरीय रणनीतियों (जैसे, आक्रमण, रक्षा, नियंत्रण) को निष्पादित कर सकें।

कार्यप्रणाली (Methodology)

लेखक ReactiveGWM का प्रस्ताव करते हैं, जो एक रिएक्टिव गेम वर्ल्ड मॉडल है जिसे खिलाड़ी के नियंत्रण को NPC व्यवहारों से स्पष्ट रूप से अलग करके, एक खिलाड़ी और एक स्वायत्त NPC के बीच गतिशील अंतःक्रियाओं को संश्लेषित करने के लिए डिज़ाइन किया गया है।

1. डेटा निर्माण (Data Construction)

मॉडल को प्रशिक्षित करने के लिए, लेखकों ने Street Fighter II (SF2) और Street Fighter Alpha 3 (SF3) का उपयोग करके नए रणनीति-संरेखित डेटासेट का निर्माण किया। इस पाइपलाइन में शामिल हैं:

गेमप्ले रिकॉर्डिंग: ऐसे गेमप्ले एपिसोड एकत्र करना जहाँ एक रैंडम एजेंट खिलाड़ी को नियंत्रित करता है, जिससे वीडियो क्लिप और फ्रेम-स्तरीय एक्शन लेबल उत्पन्न होते हैं।
NPC रणनीति एनोटेशन: एक विजन-लैंग्वेज मॉडल (VLM) का उपयोग करके क्लिप का विश्लेषण करना और संरचित प्रॉम्प्ट्स ( $P_{NPC}$ ) उत्पन्न करना जो NPC का मार्गदर्शन करते हैं। ये प्रॉम्प्ट्स सक्रिय व्यवहारों (जैसे, पंच, किक), निष्क्रिय व्यवहारों (जैसे, क्षति सहना, ब्लॉक करना), और एक उच्च-स्तरीय रणनीति श्रेणी (आक्रमण, नियंत्रण, या रक्षा) को अलग करते हैं।
विघटन (Decoupling): साधारण प्रॉम्प्ट्स के विपरीत जो पूरे दृश्य का वर्णन करते हैं, $P_{NPC}$ विशेष रूप से NPC के लिए उच्च-स्तरीय रणनीतिक मार्गदर्शन प्रदान करता है, जिससे मॉडल खिलाड़ी की तत्काल क्रियाओं से स्वतंत्र होकर सामरिक इरादे को सीख पाता है।

2. मॉडल आर्किटेक्चर (Model Architecture)

ReactiveGWM एक मानक वीडियो डिफ्यूजन बैकबोन (DiT पर आधारित) को संशोधित करता है ताकि दो अलग-अलग नियंत्रण संकेतों को संभाला जा सके:

खिलाड़ी नियंत्रण (Additive Bias): खिलाड़ी की क्रियाओं ( $a_T$ ) को एक हल्के एडिटिव बायस (lightweight additive bias) के माध्यम से इंजेक्ट किया जाता है। कच्चे बटन अनुक्रम को लेटेंट टेम्पोरल रेजोल्यूशन के साथ संरेखित किया जाता है और प्रत्येक DiT ब्लॉक के हिडन चैनल डायमेंशन में प्रोजेक्ट किया जाता है। यह बायस वीडियो लेटेंट में सीधे सेल्फ-अटेंशन लेयर से पहले जोड़ा जाता है, जो दृश्य पीढ़ी प्रक्रिया को बाधित किए बिना खिलाड़ी के चरित्र पर सूक्ष्म, कम-विलंबता (low-latency) नियंत्रण सुनिश्चित करता है।
NPC स्वायत्तता (Cross-Attention): उच्च-स्तरीय NPC रणनीतियों को क्रॉस-अटेंशन मॉड्यूल के माध्यम से स्थापित किया जाता है। ये मॉड्यूल संरचित NPC प्रॉम्प्ट ( $P_{NPC}$ ) को लेते हैं और विजुअल-टेम्पोरल लेटेंट स्पेस पर ध्यान केंद्रित (attend) करते हैं। महत्वपूर्ण बात यह है कि ये मॉड्यूल एक गेम-अज्ञेयवादी प्रतिनिधित्व (game-agnostic representation) सीखते हैं, जो NPC के सामरिक इरादे को गेम-विशिष्ट भौतिक गतिशीलता (जिसे सेल्फ-अटेंशन और फीड-फॉरवर्ड लेयर्स द्वारा मॉडल किया जाता है) से अलग करता है।

3. ज़ीरो-शॉट स्ट्रैटेजी ट्रांसफर (Zero-Shot Strategy Transfer)

ReactiveGWM की एक मुख्य क्षमता विभिन्न खेलों के अनएनोटेटेड वर्ल्ड मॉडल्स में सीखी गई NPC स्वायत्तता को बिना रिट्रेनिंग के स्थानांतरित करने की क्षमता है:

ReactiveGWM $_{base}$ : एक स्रोत गेम (गेम 1) पर प्रशिक्षित, जिसमें पूर्ण रणनीति एनोटेशन उपलब्ध हैं।
ReactiveGWM $_{transfer}$ : इस तकनीक को लक्ष्य गेम (गेम 2) पर लागू करने के लिए, जिसमें केवल एक वैनीला वर्ल्ड मॉडल ( $F_{vanilla}$ ) है, लेखक गेम 2 मॉडल के डोमेन-विशिष्ट बैकबोन (एक्शन मॉड्यूल, सेल्फ-अटेंशन, FFN) का पुन: उपयोग करते हैं ताकि मूल दृश्य और भौतिक गतिशीलता बनी रहे। इसके बाद वे गेम 1 मॉडल के सीखे हुए क्रॉस-अटेंशन लेयर्स को इसमें जोड़ देते हैं। यह लक्ष्य मॉडल को बिना किसी नए डोमेन-विशिष्ट एनोटेशन या फुल-पैरामीटर फाइन-ट्यूनिंग के, स्टीयरेबल (steerable) NPC व्यवहार प्रदर्शित करने की अनुमति देता है।

मुख्य योगदान (Key Contributions)

ReactiveGWM फ्रेमवर्क: एक अभिनव आर्किटेक्चर जो सूक्ष्म खिलाड़ी नियंत्रण और रणनीति-संचालित NPC स्वायत्तता को एक साथ समर्थन देकर खिलाड़ी-केंद्रित मॉडलिंग की सीमाओं को तोड़ता है।
रणनीति-संरेखित डेटासेट: ऐसे डेटासेट का निर्माण जो पिक्सेल-स्तरीय रेंडरिंग से सामरिक इरादे को स्पष्ट रूप से अलग करते हैं, जिसमें खिलाड़ी और NPC नियंत्रण के लिए अलग-अलग प्रॉम्प्ट्स का उपयोग किया गया है।
गेम-अज्ञेयवादी इंटरैक्टिव लॉजिक: यह प्रदर्शन कि विशेष क्रॉस-अटेंशन मॉड्यूल इंटरैक्शन लॉजिक का एक ऐसा प्रतिनिधित्व सीखते हैं जिसे विभिन्न खेलों के ऑफ-द-शेल्फ, अनएनोटेटेड वर्ल्ड मॉडल्स में प्लग-एंड-प्ले मैनर में स्थानांतरित किया जा सकता है।

प्रयोगात्मक परिणाम (Experimental Results)

SF2 और SF3 पर मूल्यांकन करने पर, ReactiveGWM निम्नलिखित प्रदर्शित करता है:

श्रेष्ठ NPC स्वायत्तता: मॉडल रणनीति पालन में महत्वपूर्ण सुधार करता है। SF2 पर, VLM-निर्णित निर्देश सटीकता ~43% (Vanilla) से बढ़कर 75.8% (ReactiveGWM $_{base}$ ) हो गई। SF3 पर, यह ~41% से बढ़कर 79.8% हो गई।
संरक्षित खिलाड़ी नियंत्रण: मॉडल लगभग पूर्ण खिलाड़ी क्रिया नियंत्रणीयता (जैसे, SF3 में 100% Move-Acc और Att-Acc) और दृश्य निष्ठा (SSIM/LPIPS) बनाए रखता है, जो वैनीला बेसलाइन्स के बराबर है।
प्रभावी स्थानांतरण (Effective Transfer): ReactiveGWM $_{transfer}$ उच्च क्रिया नियंत्रणीयता और दृश्य गुणवत्ता बनाए रखता है और बिना बैकबोन को रिट्रेन किए प्रतिस्पर्धी NPC रणनीति पालन (जैसे, SF3 में 63.6%–73.7%) प्राप्त करता है।
यूजर स्टडी: मानव मूल्यांकन ने पुष्टि की कि ReactiveGWM रणनीति-संगत NPC व्यवहार उत्पन्न करता है जो वैनीला मॉडल्स की तुलना में स्पष्ट रूप से भिन्न है, और रणनीति वर्गीकरण सटीकता बेसलाइन्स की तुलना में लगभग दोगुनी है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ReactiveGWM स्केलेबल, रणनीति-समृद्ध गेम जनरेशन का मार्ग प्रशस्त करता है। डोमेन-विशिष्ट रिट्रेनिंग के बिना स्टीयरेबल NPC इंटरैक्शन को सक्षम करके, यह वर्तमान वर्ल्ड मॉडल्स के एक महत्वपूर्ण अंतर को संबोधित करता है जहाँ NPCs निष्क्रिय पृष्ठभूमि तत्व होते हैं। यह कार्य सुझाव देता है कि इंटरैक्टिव लॉजिक को एक गेम-अज्ञेयवादी मॉड्यूल के रूप में सीखा जा सकता है, जिससे विविध गेम वातावरणों में स्वायत्त, रणनीतिक NPCs की तीव्र तैनाती संभव है। लेखक इसे "निष्क्रिय वीडियो रेंडरर" से "वास्तविक गेम सिमुलेशन इंजन" की ओर बढ़ने के एक कदम के रूप में देखते हैं जो गतिशील, प्रतिस्पर्धी जुड़ाव में सक्षम हैं।

नोट: पेपर सीमाओं को स्वीकार करता है, विशेष रूप से कि मूल्यांकन वर्तमान में 2D फाइटिंग गेम्स तक सीमित है और डिफ्यूजन-आधारित बैकबोन इन्फरेंस लेटेंसी (inference latency) पेश करता है, जो इसके वर्तमान रूप में रियल-टाइम इंटरैक्टिविटी को रोकता है।