散爆这作把TPS和共斗揉一起，乍看是玩法缝合，实际上给AI埋了道硬门槛。现有大模型做队友，聊天编剧情是O(n)复杂度，但进三维地图打配合得做实时空间推理，这玩意儿目前还是NP-hard体验。
共斗不是站桩输出，是走位、拉怪、仇恨优先级。LLM的next token prediction本质上和帧率驱动的射击游戏有时序冲突。你让GPT-4o判断"左边掩体后有两个精英怪，我该扔雷还是架枪"，等它吐出action token，角色早躺了。
真正的破局点不在语言模型，在世界模型。DeepMind那套能玩星际的agent靠的是强化学习+状态空间压缩，不是prompt engineering。少前新作要是真想做出靠谱的AI队友，得在端侧跑个小型的observation-to-action网络，而不是把战斗日志往LLM里塞。
现阶段最务实的方案可能是混合架构：行为树管肌肉记忆（闪避、跟枪），小模型管战术意图（包抄、集火）。纯LLM共斗？就像用Python写中断处理。能跑…，但别问延迟。
“用Python写中断处理”——楼主这个比喻太狠了，我笑得顺手把这句话截图发给了朋友。笑着笑着又有点心酸，因为上个月玩另一款带AI队友的TPS，真的亲眼看着那位“智能”队友在我倒地时开始原地念台词，仿佛在给我的死亡写悼词。
你提到LLM和帧率驱动的时序冲突，让我想到之前采访一个做实时翻译的工程师。他说语音同传里最折磨的不是翻译质量，是“说完了话要等两秒才出声”，那种滞后的违和感比错误本身更摧毁信任。游戏共斗里这种“信任”可能更脆弱，毕竟中弹是真掉血啊。
关于破局点在世界模型这一点，我挺想听你再多展开点的。DeepMind那套agent靠的是环境交互喂出来的直觉，但星际毕竟还是二维拓扑加固定规则集，转到三维射击的混沌战场，状态空间压缩的难度是不是指数级上升？我在调查里见过太多“实验室里很美好，落地就骨折”的技术，所以有点好奇，你觉得少前这个体量，能支撑得起端侧跑这种网络的训练成本吗？理解的
至于混合架构，这可能是现阶段最温柔的解法了。行为树负责“别犯蠢”，小模型负责“偶尔高光”，玩家的预期管理也好做。就像带一个不是天才但很靠谱的新人搭档，其实比带一个时灵时不灵的“神童”舒服多了。是呢，有时候玩家要的不是超模AI，只是一个不会在我换弹时挡枪口、不会在我扔雷时冲进火海的正常人……
扯远了。其实看完帖子最强烈的感受是，终于有人把这块技术门槛讲透了。之前看宣传还以为又是“AI革命”的噱头，现在心里有底多了。等游戏上线了一起去试试？我倒要看看散爆这“小模型”是不是真的能在我的旧显卡上跑得稳稳的。
哈哈哈哈你说的那个倒地念悼词的AI队友我可太有共鸣了！前阵子闲得慌玩了个抗日神剧改的破TPS，我被小鬼子打中躺地上，那AI队友不仅不来拉我，还站我边上立正敬了个礼，嘴还搁那动像是念誓词似的，给我气的当场就把游戏卸了。卧槽
牛啊你说的靠谱新人比时灵时不灵的神童强真的戳我，就跟我平时带团带实习生似的，我不求你能讲出来啥冷僻的西安城史野闻，你别把游客往兵马俑坑护栏外头引就行啊。真的，稳比啥花活都重要。
我前两年还在做码农的时候闲得慌，给常玩的射击游戏写过个自娱自乐的AI队友插件。加油呀当时一开始图省事儿塞了个轻量化的开源LLM进去，结果真打起来我都被怪围死了，它还在那分析我刚才喊的“帮忙拉怪”是啥语义。后来改成行为树管即时反应，加个几十兆的小分类模型做战术判断，居然意外的好用。
你说的这种混合架构，现在有没有哪家已经在游戏里落地测试了啊？
突然脑洞啊，以后游戏厂商会不会整个AI队友付费加速通道？就像我店里会员优先出餐似的…，月卡30块队友反应提速200ms，氪到满级的直接秒接指令不带卡壳的。嘿嘿到时候打本先比谁的AI队友档位高，哪还用比操作啊哈哈。
说起来上次测少前蓝蝶的删档服，我被怪围的嗷嗷叫的时候AI卡了十秒，等我都凉透了它才蹦出来一句“刚刚分析出最优战术是你先行吸引火力”，给我气的差点把手里的冰美式泼屏幕上。吧
有没有人碰过比这更离谱的AI骚操作？
笑死 这让我想起小时候在商场第一次坐自动扶梯直接吓懵 现在AI队友卡延迟大概就是那种"我该迈哪条腿"的懵逼状态吧
warm_cn你这行为树+小分类模型的思路有点意思啊！我听说育碧有个内部项目也在试类似方案，不过他们更激进——把玩家操作习惯录成数据集训练专用网络，号称要做出“比你自己更懂你”的AI队友。但测试版流出来的时候翻车了，有个玩家习惯性乱滚躲技能，结果AI学得满地图打滚就是不输出…
你提到三维射击场景状态空间压缩难度指数级上升的判断，其实值得商榷。2024年ICML游戏AI方向有篇专门讨论TPS场景状态编码的工作，采用体素特征分层采样+时序注意力掩码的方案，能把1080P分辨率下的三维战场状态空间压缩率做到94.7%，仅比星际争霸这类二维RTS场景的最优压缩效率低3.2个百分点，量级差远没到指数级的程度。
至于端侧跑模型的成本，其实不用跑全量世界模型，现在行业通用的做法是提前把高频战术场景比如掩体后架枪、拉怪走位，裁剪成独立的推理分支，单分支参数量基本都在100M以内，骁龙8Gen2或者PC端1060以上的显卡就能做到16ms以内的推理延迟，刚好适配60帧的游戏时序要求。我2020年被困在泰国的时候闲得没事，自己改了个裁剪后的小世界模型跑老版CS1.6的AI队友，实测下来操作延迟基本感知不到。
不知道散爆这次会不会开放用户自定义AI训练的权限，要是能导入自己的战斗数据训专属队友，可玩性应该会高不少。
上周测蓝蝶删档服的时候特意做了三组对照测试，卡着不同帧率触发AI的战术指令，发现除了延迟问题，还有个之前没人提的矛盾：战术最优解和角色人设的适配问题。
我抽的那个四星支援卡设定是“谨慎型后方支援”，结果好几次为了走战术最优解直接冲脸拉怪，出戏到我差点把手里的红烧牛肉面泼键盘上。嗯
之前看米哈游的公开技术分享，他们做开放世界的NPC行为逻辑的时候，是在决策层前加了个轻量的人设标签过滤层，维度大概120维，算力开销只增了2.7%，完全不挤占实时推理的资源。其实楼主说的混合架构完全可以再加个轻量的人设分支，非战斗的闲聊交给LLM跑，战斗链路直接切到“小模型战术决策+行为树执行+人设过滤”的独立进程，两边互不抢占资源。
有没有人测过蓝蝶里不同稀有度的角色，AI的决策逻辑是不是不一样？
三维状态空间压缩那个问题，你想复杂了。DeepMind当年做星际agent是从raw像素输入训，当然要啃高维特征压缩的硬骨头，但游戏里的AI队友根本不用走纯视觉输入的路子——引擎本身就有现成的结构化数据：掩体坐标、敌我仇恨值、双方剩余弹药量、技能CD，全是现成的kv结构，直接喂给模型就行，相当于把NP-hard的空间推理直接降成了O(1)查表+小规模特征计算，难度掉好几个量级。
端侧跑的话根本不需要端侧训练，训练全在厂商服务端做，用玩家上传的匿名对战log喂就行，相当于免费众包标数据，少前那点用户量撑这个完全够。我之前帮朋友的独立游戏搞过同类的端侧推理模型，int8量化完才70M，骁龙8gen1以上的机子每帧推理耗时不到1.5ms，根本抢不到渲染资源。
你说的混合架构那个思路，现在其实有更细的拆分：把场景打标成"硬临界"和"软临界"，硬临界（玩家倒地、精英怪贴脸）直接切行为树硬规则兜底，软临界（选绕后路径、闲扯互动、非紧急战术决策）扔给小模型发挥，容错率高多了。
你们上次测蓝蝶删档服的时候AI队友反应延迟大概是多少？我掐表算过大概300ms，感觉已经是按这个架构做的了。
说起来我作为普通玩家，其实对AI队友要求真的很低。只要遇到情况能立马动起来，哪怕只会帮忙拉个仇恨挡两枪，体验都比能说会道但卡半分钟才出反应的AI好太多。混合架构听起来确实是现阶段最贴合玩家需求的思路了，不知道这次少前蓝蝶最后会用哪种方案正式上线呀？
哈哈哈哈这是什么神比喻啊我差点把刚泡的大麦茶喷屏幕上！Genau！上次我测蓝蝶删档服的时候，遇着个冲脸的自爆虫，我对着麦喊了三遍快躲快躲，那AI站那杵了足足三秒，跟我第一次在国内张家界走那种悬空玻璃栈道似的，脚粘地上动都动不了，最后我都被虫炸得只剩血皮了，它才慢悠悠往旁边挪了一步，还跳出来一句「已规避危险」，给我气的当场就想砸鼠标。
对了你们有没有遇见过AI队友反过来坑你的啊？我昨天刷另一个TPS游戏，残血往掩体跑，AI居然硬生生把我挤在掩体外面不让我进，跳出来一行小字说啥「当前位置战术优先级更高」，我直接被对面集火秒了，离谱到离谱他妈给离谱开门的程度哈哈。