CombatVLA - Taotian Groupが発売した、3Dアクションゲーム専用に設計されたVLAモデル。

CombatVLAとは何ですか？

CombatVLAは、Taotian GroupのFuture Living Labチームが開発した高効率なビジュアル・ランゲージ・アクション（VLA）モデルで、3DアクションRPG（ARPG）の戦闘ミッション向けに特化して設計されています。このモデルは3Bパラメータスケールに基づいており、モーション・トラッカーで収集したビデオモーションペアを使用してトレーニングされます。データは「アクション指向思考」（AoT）シーケンスとしてフォーマットされます。モデルは、ビデオレベルからフレームレベル、そして切り捨て戦略へと進む3段階の漸進的学習パラダイムを採用し、効率的な推論を実現します。CombatVLAは、戦闘理解ベンチマークテストにおいて既存のモデルを凌駕し、推論速度を50倍向上させ、人間のプレイヤーよりも高いミッション成功率を達成しています。

CombatVLAの主な機能

• 効率的な戦闘意思決定CombatVLAは、複雑な3Dゲーム環境において、攻撃の回避、スキルの発動、体力の回復など、リアルタイムの戦闘判断を、従来のモデルよりも50倍速い速度で行うことができます。
• 戦闘理解と推論CombatVLAは、敵の状況を評価し、敵の攻撃意図を判断し、最適な戦闘行動を推論することができ、他のモデルよりもはるかに優れた戦闘理解力を示している。
• アクション指示の生成このモデルは、特定のキーを押したり、マウス操作を実行してゲームキャラクターを操作して戦闘を行うなど、実行可能なキーボードおよびマウス操作コマンドを出力できます。
• 一般化能力CombatVLAは、難易度の異なるミッションや様々なゲームにおいて高い汎用性を発揮し、馴染みのないゲームシナリオでも戦闘ミッションを効果的に遂行します。

CombatVLAの技術原理

• モーション・トラッカーこのシステムは、モーション・トラッカーに基づいて、キーボードやマウスの操作を含む人間のプレイヤーからのゲーム操作データを収集し、同時にゲーム画面をキャプチャしてビデオモーションペアデータを生成します。
• 行動指向型思考（AoT）シーケンス収集されたデータは、「思考の行動」シーケンスのシーケンスに変換され、各行動には詳細な説明が付随することで、モデルが行動の意味と論理を理解するのに役立ちます。
• 3段階の段階的学習：
  • フェーズ1動画レベルでのAoTの微調整により、モデルは戦闘環境を初期的に理解することができる。
  • フェーズ2フレームレベルのAoTファインチューニングは、モデルが動作と先行フレーム間の厳密な位置合わせを理解するのに役立ちます。
  • フェーズ3フレームレベルの切り捨て AoT ファインチューニングでは、推論を高速化するために出力を切り捨てる特別なマーカー <TRUNC> が導入されます。
• 適応型減量アクションアライメント損失とモーダルコントラスト損失を用いることで、モデルの学習プロセスが最適化され、モデルが重要なアクションを正確に出力することが保証されます。
• アクション実行フレームワークモデルが出力するアクションコマンドは、アクション実行フレームワークに基づいて実際のキーボードとマウスの操作に変換され、ゲームキャラクターの自動制御を可能にする。

CombatVLAプロジェクトの住所

• プロジェクト公式サイト：https://combatvla.github.io/
• GitHubリポジトリ：https://github.com/ChenVoid/CombatVLA
• arXiv技術論文：https://arxiv.org/pdf/2503.09527

CombatVLAの応用シナリオ

• 3DアクションRPG（ARPG）戦闘におけるゲームキャラクターのリアルタイム制御は、効率的な意思決定と行動実行を可能にし、ゲーム体験を向上させます。
• ゲームのテストと最適化開発者がゲームの戦闘システムをテストし、潜在的な問題を特定して最適化するのを支援します。
• eスポーツトレーニングこのシステムはeスポーツプレイヤーに知的な対戦相手を提供し、ユーザーが戦闘スキルや戦術を練習して競技レベルを向上させるのに役立ちます。
• ゲームコンテンツ制作これは、ゲーム開発者が戦闘シーンやストーリーラインを生成したり、複雑なゲームレベルやミッションを迅速に構築したりするのに役立ちます。
• ロボット制御現実世界では、この技術はロボット制御にも応用され、ロボットが動的な環境下で迅速な意思決定を行い、行動を実行することを可能にする。