ainews
Геймер обучил диффузионную модель на 7 часах своего прохождения Hollow Knight — она генерирует игру в реальном времени
Энтузиаст записал 400 000 кадров (около 7 часов) своего геймплея в Hollow Knight вместе с вводом команд и обучил диффузионную модель с нуля, без предобученных весов. Модель научилась генерировать игровой процесс в реальном времени, реагируя на команды игрока — движение, рывки, атаки и попадания. Это не воспроизведение записи, а генерация кадров на лету. Модель ещё нестабильна на длинных сессиях, но автор планирует улучшить консистентность и выпустить демо в браузере.
Это один из первых публичных экспериментов с генеративными world models на реальных играх — подход, который может изменить то, как создаются и работают интерактивные приложения. Показывает, что нейросети уже могут имитировать не только картинку, но и игровую логику.
Нейросеть научили играть роль игрового движка
Энтузиаст под ником gamajuice1 опубликовал результаты эксперимента: он обучил диффузионную world model на собственном геймплее в Hollow Knight. Модель генерирует игровой процесс в реальном времени, откликаясь на команды игрока.
Как это работает
Автор записал около 400 000 кадров (примерно 7 часов геймплея) вместе с данными о вводе команд — движение, рывки, атаки. Затем обучил модель с нуля, без использования предобученных весов или LoRA.
Главное отличие от простого воспроизведения записи: модель не проигрывает готовые кадры, а генерирует их на лету, основываясь на командах игрока. Она уже научилась базовым механикам: персонаж движется, атакует, наносит урон врагам.
Ограничения и планы
Модель пока нестабильна — особенно на длинных сессиях могут появляться артефакты и сбои. Автор планирует: - Улучшить временну́ю консистентность - Добавить больше разнообразных игровых ситуаций в датасет - Выпустить играбельное демо в браузере
Контекст
Проект неофициальный и не связан с разработчиками игры (Team Cherry). Автор считает, что это легально, поскольку он использовал собственную копию игры.
Эксперимент показывает, как диффузионные модели могут учиться не только генерировать изображения или видео, но и имитировать интерактивную игровую логику — пусть и с оговорками по стабильности.
Ключевые выводы
- Диффузионные модели могут обучаться интерактивной генерации на относительно небольших датасетах (~7 часов записи)
- Модель научилась базовым игровым механикам (движение, атака, урон) без явного программирования физики
- Обучение с нуля, без pretrained весов, возможно для узкоспециализированных задач
- Главная проблема — стабильность на длинных последовательностях генерации
- Подобный подход открывает возможность создания «генеративных игр», где контент создаётся нейросетью в реальном времени
Автор: Артём Ковалёв · Источник: reddit.com
**Это не просто «посмотрите, нейросеть генерит игру» — это первый звонок к новому типу интерактивного контента.** Раньше world models были темой для исследовательских лабораторий, а тут один человек за 7 часов геймплея обучил модель, которая хоть и криво, но имитирует игровой движок. Да, пока это нестабильно и ломается на длинных сессиях, но вспомните первые GAN-ы с их кошмарными лицами — технология развивается быстро.
**Что тут важно понять:** это не replay и не скриптовая анимация — модель *генерирует* кадры на основе твоих команд, пытаясь предсказать, что должно произойти. Если это доведут до ума, можно будет создавать игры, где уровни, механики и даже сюжет рождаются в процессе — без классического программирования физики и логики. Звучит футуристично, но код уже на GitHub, и скоро кто-то попробует это на Unity или Godot. Следите за развитием — это может стать больше, чем просто эксперимент.
Комментарии