米哈遊崩壞人工智能研發團隊聯同清華大學、中國科學院大學、香港大學多媒體實驗室等院校合作者，開源 GameScaling 系列模型：以 Qwen3.5 視覺語言模型做遊戲軌跡持續預訓練，根據當前與近期畫面及過往操作，輸出未來約二百毫秒的鍵盤與滑鼠動作；公開八個檢查點（約八億至二百七十億參數）、推理客戶端與專案頁／論文，權重與程式採 Apache 2.0，訓練數據與訓練程式碼未釋出。本文已核對專案頁、GitHub README、Hugging Face 權重庫與 arXiv 論文摘要，來源真實性已驗證。

米哈遊／院校：開源 GameScaling——以鍵盤滑鼠操控遊戲的體現代理；八檢查點、Qwen3.5 持續預訓練；港大 MMLab 參與

虛擬世界與真實機械人環境不同：畫面風格、物理、操作空間與目標往往同時改變，單純把「更多數據、更大模型」套到遊戲代理，並不能自動得到跨遊戲泛化。GameScaling 以受控實驗回答「持續預訓練（continued pre-training, CPT）在多元虛擬世界是否仍可規模化」，並把可運行的鍵盤—滑鼠策略權重公開給研究社群。

一、核心事件：開源八個檢查點與推理棧，論文報告受控規模化實驗

根據專案頁（gamescaling.github.io）、GitHub 倉庫 THUSI-Lab/GameScaling、Hugging Face 集合／權重庫，以及 arXiv:2610.28698《Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds》：

團隊與署名：作者包括米哈遊崩壞人工智能研發團隊（miHoYo Honkai AI R&D Team）、清華大學 College AI、中國科學院大學、香港大學 MMLab、新加坡國立大學、北京大學等單位；部分作者註明於米哈遊實習期間完成工作。通訊作者包括 Yinhe Zheng、Yiming Li。
模型本質：GameScaling 是在 Qwen3.5 視覺語言模型上，以鍵盤—滑鼠遊戲軌跡做 持續預訓練 的檢查點家族；每次推斷吃入當前畫面（加短歷史畫面與動作），輸出下一段 約二百毫秒 的控制：六個三十三毫秒步的按鍵狀態，外加整段期間的滑鼠移動與滾輪。
公開物：八個 bfloat16 檢查點——0.8B／2B／9B／27B 各有 S1（僅 Minecraft）與 S3（約百分之二十七 Minecraft、其餘其他遊戲）版本；權重體積分別約 2.2／5.4／18.8／54.7 GB；0.8B–9B 可單卡服務，27B 需張量並行兩卡。GitHub 提供推理客戶端、系統提示模板、vLLM 啟動腳本與離線測試；不含訓練程式碼。
數據與許可：全部檢查點使用約 一千六百小時 遊戲軌跡；訓練語料本身 不公開。權重與推理程式為 Apache 2.0；專案強調屬純科學研究、無商業活動，且開源許可 不授予任何遊戲內容權利。
實驗規模（論文）：受控網格涵蓋四種模型規模（0.8B–27B）、六種數據預算（五十至一千六百小時）、五種數據混合（Minecraft-only 至多遊戲語料），並以由語料內世界到未見「近／遠」世界的基準階梯評估；語料涵蓋約八十款遊戲。專案頁指在 世界不暫停 的即時設定下，前沿通用模型每步約需四至二十四秒，GameScaling 約零點一三至零點六九秒，故在即時評分上更具優勢；同時強調對遙遠世界仍有持續差距，CPT alone 不足以造就通才體現代理。
報道側證：TechNode 於二〇二六年十月二十三日報道該開源，指示範任務包括 Minecraft 採集與合成、Doom 戰鬥與導航、密室逃脫解謎等——與專案公開示例一致，惟技術細節以官方倉庫與論文為準。

二、技術原理：畫面→按鍵語彙；介面期與世界期兩階段學習

GameScaling 把「玩遊戲」收成可解析的動作塊，而不是自由文字指令：

動作格式：特殊標記包裹的字串含滑鼠 X／Y（相對螢幕寬高的千分比，±1000）、滾輪 Z（±5），以及六組最多四個按鍵的三十三毫秒步；訓練鍵彙約七十四個標記（字母、數字列、功能鍵、滑鼠鍵等）。
服務約束：官方以 vLLM（測試版本 ≥0.17）載入檢查點自帶的 chat template；請求須保留特殊標記（skip_special_tokens: false），並以預填 <think> 延續助理回合，否則動作標記易被剝除或格式偏離訓練分布。
混合策略：S1 專注 Minecraft；S3 刻意把 Minecraft 壓到約百分之二十七，以換取對相關世界的遷移。論文觀察到早期訓練出現跨世界共享的「介面期」（學會鍵盤—滑鼠原語），後期增益收窄到語料內與相近世界的「世界期」，並擬合數據量、多樣性與模型規模的經驗縮放律。
與通用前沿模型的分工：當基準允許遊戲暫停等待模型思考時，通用大模型可發揮長推理；當世界持續推進時，低延遲的專用 CPT 策略在專案頁報告中佔優——這對「代理必須在真實時間閉環裡動手」的場景有直接含義。

四、日常應用場景（含香港視角）

1. 開發者與技術團隊

若評估遊戲／模擬器內的體現代理、GUI 自動化或「以螢幕為介面的代理」：可先用官方 vLLM 腳本拉起 0.8B–9B 檢查點，對照 examples/run_example.py 驗證解析率與動作是否真正作用於環境。系統提示須按模板填入遊戲名、規則與鍵位，勿擅自改寫訓練見過的段落標題。生產整合應把動作執行器（瀏覽器／引擎按鍵映射）與模型服務解耦，並記錄 parsed／截斷失敗率。

2. 企業與隱私敏感行業

GameScaling 明言非產品、不附商業授權；企業若借鑒其「視覺→離散控制」思路做內部流程自動化（遠端桌面、行業軟體點擊），應另建合規數據與安全邊界，不可假設 Apache 2.0 權重即可覆蓋第三方軟體或遊戲資產使用。香港金融、法律或醫療場景更宜把此類研究權重留在隔離實驗環境，敏感操作仍需人類核准閘。

3. 一般用戶與創作者

開源檢查點方便愛好者在自有 GPU 上重現 Minecraft／Doom 等演示，但專案不釋出訓練數據、亦未授權遊戲內容。玩家不應把研究代理當成外掛或破壞線上遊戲服務條款的工具。

4. 香港與亞洲市場視角

署名含 香港大學 MMLab，顯示本地學術力量直接參與亞洲遊戲／體現智能研究前沿；對香港團隊而言，價值在於可複現的 CPT 方法論與即時閉環基準，而非「可上架的遊戲外掛」。若機構要在港內部署私有視覺—動作代理做研發或客戶演示，可對照此類開源配方，再以本地私有模型託管與網絡隔離落地。

五、專業評價與潛在考量

優勢

一手來源完整：專案頁、GitHub、Hugging Face 權重、arXiv 論文互相對得上檢查點數量、混合設定與許可條款。
問題設定清楚：把虛擬世界異質性與真實機械人「共享物理」對照，避免空泛「更大更好」敘事。
工程可復現：公開動作格式、提示模板與 vLLM 服務腳本，降低「只有論文數字、沒有可跑權重」的落差。
即時基準視角對代理產品有啟發：延遲本身是分數的一部分。

需要留意的地方

訓練數據與訓練碼未公開，外部無法完整審計數據來源與清洗。
對遙遠世界（如偏 2D／2.5D 控制體制）仍有明顯差距；作者亦表明 CPT 不足以降服通才體現代理。
研究用途聲明嚴格；遊戲版權與線上服務條款仍約束實際遊玩場景。
TechNode 等媒體報道屬發現線索，參數與許可以官方倉庫為準；勿把報道中的任務列舉理解成完整能力清單。

結語

GameScaling 把「看畫面、按鍵盤滑鼠」的體現代理，收成可開源、可服務、可在即時世界裡計分的 CPT 檢查點家族，並以受控實驗拆開數據量、多樣性與模型規模的作用。對關注代理式人工智能落地的香港團隊，重點不是追單一基準分數，而是建立可觀測的感知—動作閉環、延遲預算與人類核准閘。若你的機構需要在香港部署私有大語言模型、視覺—動作實驗環境或代理工作流自動化，可參考 YSK Limited 的人工智能自動化與私有 LLM 託管服務（https://ysk.hk/services/ai-automation）。

參考來源

GameScaling 專案頁：Scaling in Games — Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds — https://gamescaling.github.io/
GitHub：THUSI-Lab/GameScaling（推理客戶端、提示模板、檢查點說明、Apache 2.0）— https://github.com/THUSI-Lab/GameScaling
Hugging Face：THUSI-Lab/GameScaling 模型集合與各檢查點權重 — https://huggingface.co/THUSI-Lab/GameScaling
arXiv:2610.28698 — Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds — https://arxiv.org/abs/2610.28698
發現來源：TechNode — MiHoYo team open-sources GameScaling models that control games through keyboard and mouse actions（2026-10-23）— https://technode.com/2026/10/23/mihoyo-team-open-sources-gamescaling-models-that-control-games-through-keyboard-and-mouse-actions/