RSIGame 让 AI 自主试玩并迭代游戏，27B 模型组合效果超过 GPT-5.5 一次生成
把游戏开发变成 Agent 的长期自我改进闭环：既改游戏，也用积累的开发记录训练模型，让 27B 模型配合该系统超过 GPT-5.5 一次生成。
大模型已经能一次生成可运行的游戏，但游戏并不会因此“开发完成”：攻击没有反馈、敌人行为单一、关卡缺乏变化等问题，通常要反复试玩才会暴露。UC San Diego、字节跳动和 CMU 的团队提出 RSIGame，让 Agent（能自主调用工具、执行多步任务的智能体）自己试玩、诊断、修改并验证，还判断是否该停止当前方向。以 GPT-5.5 生成的游戏为起点，多轮自主开发后，质量评分从 50.26 升到 64.53。
正文摘录
.jpg)   现在的大模型，已经越来越擅长从自然语言直接生成一个可以运行的游戏。 但是，“生成出来”并不等于“开发完成”。 一个能够运行的游戏，也可能存在大量问题：角色攻击没有反馈、敌人行为单一、关卡缺乏变化，甚至某些核心玩法根本无法完成。 而真正的游戏开发是一个长期过程：开发者需要不断试玩当前版本，发现 bug、缺失机制和体验问题，判断下一步最值得优化什么，再修改、验证，并继续扩展新的玩法和内容。 对于 AI Agent 来说，长程开发迭代比一次性生成难得多。 传统 coding benchmark 通常有比较明确的 pass/fail signal：代码能否通过测试、任务是否完成。但游戏质量并没有这样简单的判断标准。