米哈遊與清華開源 GameScaling 通用遊戲模型系列
米哈遊聯合清華大學等機構開源 GameScaling 通用遊戲模型系列，含 0.8B、2B、9B、27B 四檔共八個模型，權重與推理程式碼以 Apache 2.0 協議發布。模型基於 Qwen3.5 持續預訓練，根據畫面、任務提示與互動歷史輸出鍵鼠操作；27B-S1 在《我的世界》MCU 基準 30 項任務中平均成功率達 63.3%，0.8B–9B 六個模型在單張 H200 或 RTX 5090 上可接近每秒 5 次觀測、每秒 30 步動作的即時互動。
開源首個通用遊戲模型系列，附帶 120 組跨遊戲遷移受控實驗與即時互動對比資料，對研究遊戲智慧體、多世界泛化與決策時延的團隊有直接參考價值。
原標題：迈向通用游戏智能，清华、米哈游开源GameScaling系列模型
閱讀原文
| 評分 | 82 / 76（平均 79，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
崑崙萬維開源 Matrix-Game 4.0，單張 RTX 5090 即時跑遊戲世界模型
崑崙萬維旗下 Skywork AI 發布並開源遊戲世界模型 Matrix-Game 4.0，稱其為全球首款可在單張消費級顯示卡上即時執行的遊戲世界模型。它在 RTX 5090 上以 60 FPS、480p 畫質執行，按鍵到畫面回應不到 0.15 秒，視訊記憶體峰值約 18.5GiB。做法是把世界狀態與遊戲規則交給遊戲引擎維護，影片模型只負責生成畫面，Coding Agent 可用自然語言改寫遊戲程式碼，例如把計時賽變成追擊戰。
Qwen 3.8 27B 在筆記本上僅憑模型權重識別遊戲
Simon Willison 用 LM Studio 在筆記本上執行 17GB 的 Qwen 3.8 27B，僅憑一段浮點權重文字就判斷出該網路訓練的是哪款遊戲。它花 46 分 12 秒、43,506 個推理 token 猜出 Pac-Man（置信度 72%），又用 1 小時 4 分 54 秒認出 Pong。
清華八卦爐 2 論文入選 SC26，萬卡 MoE 訓練吞吐提升 1.14 倍
清華大學翟季冬團隊的大模型訓練系統八卦爐 2（BaGuaLu-2）論文被 SC26 錄用，它用執行時自適應替代靜態的重計算與啟用解除安裝配置，把 MoE 訓練中的視訊記憶體尖峰壓在裝置上限以內。在 128 到 12,288 張海光 DCU 上訓練 188B 至 1.04 萬億引數模型，平均吞吐比基線高 1.14 倍，12,288 卡下總吞吐 2.012 EFLOPS、平均 MFU 32.9%（最高 35%），單次排程決策開銷低於 10 ms。
Meta 開源 816B 多模態 MoE 模型 Muse Spark Open
Meta 發布開放權重模型 Muse Spark Open，採用混合專家架構，總引數約 816B、每 token 啟用約 42B，可輸入文字、影像、音訊和影片，輸出文字，上下文視窗最高 100 萬 token。模型針對 agentic coding 訓練，能閱讀程式碼庫、編寫與除錯程式碼並呼叫工具。官方提供 BF16 與 NVFP4 兩種權重，BF16 約 1.5TB，NVFP4 為 4 位精度、面向 NVIDIA Blackwell GPU。
用 ML Intern 幾天做出 6 個模型，9B 改寫器壓到 0.8B
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。