米哈游崩坏 AI 研发团队联合清华大学、北京大学、中国科学院大学、香港大学、新加坡国立大学等机构，推出了 GameScaling 系列游戏模型并已在多个平台开源。研究团队围绕游戏场景中的模型规模扩展规律展开研究，发布了覆盖 0.8B 至 27B 参数规模的 8 个模型检查点。
从游戏画面生成键鼠操作
项目团队在代码仓库中介绍，该系列模型基于 Qwen3.5 视觉语言模型继续预训练，训练数据涉及键盘和鼠标操作的游戏过程。模型能够接收当前游戏画面、此前若干帧画面以及操作记录，并生成后续的键盘和鼠标操作指令，用以控制游戏角色行动。
在任务覆盖上，GameScaling 支持《我的世界》《毁灭战士》等不同类型的游戏任务，包括在《我的世界》中采矿、合成物品与对抗僵尸，在《毁灭战士》中战斗与寻路，以及在密室场景中完成解谜和逃脱。根据技术说明，模型每次调用会生成覆盖约 200 毫秒的操作序列，其中包含 6 个、每个持续 33 毫秒的操作步骤，以及鼠标移动和滚轮指令。项目介绍还提到，该系列面向实时游戏交互设计，实际运行速度会受到模型规模、硬件配置与推理负载等因素影响。
八种规模与硬件门槛
该系列共开源 8 个模型版本，对应 0.8B、2B、9B 和 27B 四种参数规模，每种规模各有 S1、S3 两个版本。其中 S1 仅使用《我的世界》游戏数据进行训练，S3 则采用多游戏混合数据，《我的世界》数据占比为 27%，各版本均使用了 1600 小时的游戏数据进行训练。
在硬件需求方面，项目仓库列出了不同模型的显存占用与推理部署方式：0.8B、2B 和 9B 版本的权重均可在单张显卡上部署，27B 版本则需要两张显卡进行张量并行推理。项目提供推理客户端、提示词模板、操作解析代码与示例程序，并支持通过 vLLM 部署模型服务，代码与模型权重采用 Apache 2.0 许可证。
研究团队还同步发布了论文《Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds》，探讨通过持续预训练提升模型在多种虚拟游戏环境中的操作能力。用户可通过项目主页、GitHub 仓库及 Hugging Face 模型库获取相关资料与模型权重。
