震撼，英伟达新模型能打遍几乎所有游戏
编辑｜冷猫
话不多说，先给大家看个视频。
这流畅的游戏动作，简直堪比是技术流游戏玩家的实况画面。尤其是茶杯头的躲避跳跃踩灵魂一气呵成，让我们自愧不如。我要有这么快的反应和操作水准，玩丝之歌真不至于红温。
最令人震撼的是，上面视频里的操作完完全全是 AI 操作出来的。
和传统的游戏自动化脚本不同，这是一个完整的通用的大模型，不仅限于单一游戏的操作，能够玩遍市面上几乎全部的游戏类型。
于是，让我们正式介绍主角，来自英伟达的最新开源基础模型 NitroGen。
该模型的训练目标是玩 1000 款以上的游戏 —— 无论是 RPG、平台跳跃、吃鸡、竞速，还是 2D、3D 游戏，统统不在话下！
模型直接以游戏视频帧作为输入，输出真实的手柄操作信号，天然适配所有支持手柄的游戏。NitroGen 支持后训练，意味着当它面对一款从未见过的新游戏时，并不需要从零开始学习规则，只需少量微调或轻量适配，就能迅速上手，真正具备了跨游戏泛化的潜力。
项目地址: https://nitrogen.minedojo.org
论文地址: https://nitrogen.minedojo.org/assets/documents/nitrogen.pdf
代码链接: https://github.com/MineDojo/NitroGen
预训练模型: https://huggingface.co/nvidia/NitroGen
数据集: https://huggingface.co/datasets/nvidia/NitroGen
模型配方
英伟达研究团队发现，原本为机器人设计的 GR00T N1.5 架构，只需极少改动，就能适配机制差异极大的各类游戏。
NitroGen 的设计融合了三项关键要素：
1. 互联网规模的视频 - 动作数据集：通过从公开可获取的游戏视频中，自动提取玩家操作，构建而成；
2. 多游戏基准评测环境：用于系统性地评估模型在不同游戏之间的泛化能力；
3. 统一的视觉 - 动作策略模型：采用大规模行为克隆进行训练。
总体概览
NitroGen 由三个核心组件构成：
1. 多游戏基础智能体
一个通用的视觉 - 动作模型，能够接收游戏观测（如视频帧），并生成对应的手柄操作指令，实现跨多款游戏的零样本（zero-shot）游玩能力，同时也可作为基础模型，用于对新游戏进行进一步微调与适配。
2. 通用模拟器
一个环境封装层，使任意商业游戏都可以通过 Gymnasium API 进行控制，从而统一不同游戏的交互接口，支持大规模训练与评测。
3. 互联网规模的数据集
目前规模最大、类型最丰富的开源游戏数据集之一，来源于 40,000 小时的公开游戏视频，覆盖 1,000 余款游戏，并自动提取并生成了对应的动作标签。
互联网规模多游戏视频动作数据集
通过从屏幕显示中提取玩家的实时手柄操作来获取动作信息，这类显示被称为 「输入叠加层（input overlays）」。
研究团队收集了大量公开可获取的、带有「手柄操作叠加显示」的游戏视频。这些叠加层具有高度多样性，给数据处理带来了显著挑战：不同内容创作者使用的手柄类型差异很大（如 Xbox、PlayStation 或其他控制器），叠加层的透明度各不相同，同时视频压缩还会引入各种视觉伪影。
对于每一段收集到的视频，研究团队会采样 25 帧图像，并使用 SIFT 与 XFeat 特征，与精心整理的模板集合进行关键点匹配，以此定位手柄在画面中的位置。随后，基于模板匹配的结果，对视频中的手柄区域进行定位与裁剪。
数据整理的过程本身就很有意思：研究团队发现，玩家非常乐于展示自己的操作技巧，常常会在视频中叠加实时显示的手柄输入。于是团队训练了一个分割模型，自动检测并提取这些手柄显示区域，将其转换为「专家级动作标签」。
随后，研究团队会把这一区域在视频中遮挡掉，防止模型通过「偷看答案」的方式走捷径。在训练过程中，GR00T N1.5 的一个变体使用扩散 Transformer，从 4 万小时的像素级输入直接学习到动作输出。
NitroGen 数据集在不同游戏与类型上的分布情况
在完成数据筛选后，该数据集共包含 40,000 小时的游戏视频，覆盖 1,000 余款游戏。
（a）单游戏数据时长分布
从每款游戏对应的视频时长来看，数据覆盖范围广泛：846 款游戏拥有 超过 1 小时的数据，91 款游戏拥有 超过 100 小时的数据，其中还有 15 款游戏的累计数据量 超过 1,000 小时。
（b）游戏类型分布
从游戏类型来看，动作 RPG 占比最高，占总时长的 34.9%；其次是 平台跳跃类，占 18.4%；再次是 动作冒险类，占 9.2%；其余数据分布在多种不同游戏类型之中。
超强操作
实验结果表明，NitroGen 在多种不同类型的游戏场景中均表现出较强能力，包括：
3D 动作游戏中的战斗对抗，
2D 平台跳跃游戏中的高精度操作，
以及程序生成世界中的探索任务。
NitroGen 500M 模型在不同游戏上的预训练结果
使用 Flow-Matching 的 GR00T 架构，在完整的 NitroGen 数据集上训练了一个 5 亿参数的统一模型。评估在行为克隆（behavior cloning）预训练完成后进行。对于每一款游戏，研究团队在 3 个不同任务上进行测试，每个任务执行 5 次 rollout，并统计平均任务完成率。
在未进行任何额外微调的情况下，尽管模型仅基于噪声较大的互联网数据集进行训练，NitroGen 仍然能够在多种游戏中完成非平凡（non-trivial）的任务，覆盖了不同的视觉风格（如 3D、2D 俯视视角、2D 横向卷轴）以及多样的游戏类型（平台跳跃、动作 RPG、Roguelike 等）。
后训练实验结果
更重要的是，NitroGen 能够有效迁移到从未见过的新游戏。在相同任务设定下，其任务成功率相比从零开始训练的模型，最高可实现 52% 的相对提升。
这项工作能够杀死比赛。
通用机器人的基础
NitroGen 只是一个起点，模型能力仍有很大的爬坡空间。研究团队在这次工作中有意只聚焦于无需深度思考、快速反应的「玩家直觉式运动控制」。
据英伟达机器人总监 Jim Fan 所说，他们的目标，是打造通用型具身智能体：不仅能掌握现实世界的物理规律，还能适应一个由无数模拟环境构成的「多元宇宙」中的所有可能物理规则。
这就是为什么许许多多的交互大模型都对电子游戏的操作念念不忘。电子游戏具备了相当完整的世界和交互体系，每个游戏都是一个非常复杂完善的模拟环境，模型能够实现通用的游戏操作，离操作机器人进行真实世界交互也就将更进一步。
英伟达已开源发布该模型的数据集、评测套件以及模型权重，以推动通用具身智能体方向的进一步研究。
今天，机器人学是 AI 中「最难问题的超集」。明天，它可能只会成为具身 AGI 巨大潜在空间中的一个子集、一个点。
那时，只需要用自然语言提示，请求一个机器人「游戏手柄」即可。
