Was ist Gamer (miHoYo)?
Gamer ist ein Vision-Language-Action-Modell von miHoYos Team Honkai AI R&D, verfasst mit Forschenden der National University of Singapore, von Tsinghua und drei weiteren chinesischen Universitäten. Es schaut fünfmal pro Sekunde auf den Bildschirm und antwortet mit Tastatur- und Mauseingaben: pro 200 ms eine Mausbewegung plus sechs 33-ms-Gruppen gehaltener Tasten, rund 30 Steuerschritte pro Sekunde, aus einem Vokabular von 74 Tastennamen. Es baut auf Qwen3-VL und Qwen3.5 auf und wird in drei Stufen trainiert: fortgesetztes Pretraining mit mehr als 10.000 Stunden Gameplay, Instruction Tuning, das ihm beibringt, nur an Entscheidungspunkten nachzudenken und eine laufende Gedächtniszusammenfassung zu führen, und Online-Reinforcement-Learning mit einer Methode, die die Autoren TA-GRPO nennen.
Das Repository begleitet das Paper: die Vorlage für den System-Prompt, das Aktionsformat und die Parsing-Regeln sowie ein Ordner für Streaming-vLLM, die latenzarme Serving-Engine, als demnächst markiert. Das Paper ist arXiv 2611.18397. Checkpoints aus der verwandten GameScaling-Studie, von 0.8B bis 27B Parametern, liegen auf Hugging Face; auf Honkai: Star Rail trainierte Modelle werden nicht veröffentlicht. Der erste Commit war am 14. November 2026, der letzte am 16. November.
Lohnt sich Gamer (miHoYo)?
Bemerkenswert ist nicht, dass ein Modell ein Spiel spielen kann; wie das Paper anmerkt, schlagen Agenten Menschen bei Atari, Minecraft und StarCraft schon seit Jahren. Bemerkenswert ist, dass Gamer es schafft, ohne durch die Hintertür hereingelassen zu werden. Jene früheren Champions lasen den internen Spielzustand oder nutzten maßgeschneiderte Aktionsschnittstellen; Gamer bekommt die Pixel und eine Tastatur, wie alle anderen auf dem Sofa. Auf zurückgehaltenen Inhalten aus Honkai: Star Rail, miHoYos eigenem Spiel, erreichte das per Reinforcement Learning trainierte Modell 80,0 % und 83,6 % der Meilensteine in zwei Nebenquests, die 30 und 55 haben, und im Schnitt 49,7 % über 40 Minispiele aus sieben Typen. Den Großteil der Arbeit leistete das Instruction Tuning; Reinforcement Learning fügte danach 7,8 und 14,5 Punkte bei den Quests und 10,5 bei den Minispielen hinzu.
Die Baselines machen den Punkt deutlicher als das Abstract. Bei denselben Minispielen kommt GPT-6.1-Sol laut Paper auf 17,1 %, Gemini-3.8-Flash auf 2,0 % und das unangepasste Qwen3-VL-8B auf 3,2 %. Ein allgemeines Modell kann ein Rätsel lesen; rechtzeitig danach zu handeln, ist ein anderes Handwerk. Das Paper zeigt auch, dass Tempo Teil der Fähigkeit ist: Policies, die gut abschneiden, solange das Spiel höflich für sie pausiert, verschlechtern sich stark, wenn es das nicht tut, und genau dieses Problem soll Streaming-vLLM lösen. Auf einer H200 mit Qwen3.5-35B-A3B senkten die Autoren eine Anfrage von 1306,00 ms auf 65,12 ms, eine Beschleunigung um 20,1×, wobei der Vergleich eine GPU gegen vier stellt.
Der Haken: Hier läuft sehr wenig. Das Repository besteht aus einer README, einer Lizenz und einem Platzhalterordner; Streaming-vLLM ist als demnächst markiert, und das Paper erklärt, dass aus Gründen der Datensicherheit kein auf Honkai-Star-Rail-Daten trainierter Checkpoint veröffentlicht wird. Herunterladen kann man die GameScaling-Pretraining-Checkpoints, die vor dem Instruction Tuning und Reinforcement Learning enden, aus denen die obigen Ergebnisse stammen. Die zentrale Behauptung einer Effizienz wie bei geübten Spielern steht nach unserer Lektüre in keiner Tabelle neben einem menschlichen Wert. Jede Zahl stammt von den Autoren, auf einem Spiel, das sie selbst machen, mit Belohnungen, die gegen einen Engine-Zustand geprüft werden, an den kein externes Labor herankommt, und das Training bediente 32 Spielumgebungen von 64 H200-GPUs aus.
Unser Fazit: Am besten liest man es als gut dokumentierten Feldbericht eines Studios, das einem Modell das eigene Spiel beibringt, mit einem Aktionsformat, das sich zu übernehmen lohnt. Wer hofft, einen Agenten herunterzuladen, der ihm die täglichen Aufgaben abnimmt, findet die Tür höflich verschlossen.
Wo es sich lohnt
Eine Doktorandin, die an Vision-Language-Action-Agenten für Spiele arbeitet
Ein erprobtes Aktionsformat übernehmen, statt eines von Grund auf zu entwerfen
Den veröffentlichten Block aus einer Mausverschiebung und sechs 33-ms-Tastengruppen, das Vokabular aus 74 Tasten-Tokens und die Parsing-Regeln übernehmen: Spezial-Tokens behalten, erst nach dem letzten </think>-Tag parsen, alles Unlesbare als No-op behandeln. Kostenlos unter Apache-2.0 und mit jedem Modell nutzbar, das man feintunt.
Ein QA-Leiter in einem mittelgroßen Spielestudio
Einschätzen, ob bildschirmgesteuerte Agenten Regressionstests für Quests fahren könnten
Die Abschnitte des Papers zu verifizierbaren Umgebungen und Batch-Evaluierung lesen und dann mit einem GameScaling-Checkpoint von Hugging Face beginnen. Echte Hardware einplanen: Im Training bedienten die Autoren 32 Windows-Spielumgebungen von 64 H200-GPUs aus.
Bevor du dich festlegst
- Einrichtung
- Aus diesem Repository gibt es noch nichts zu installieren. Das Paper lesen, die System-Prompt-Vorlage und die Parsing-Regeln aus der README kopieren und GameScaling-Checkpoints aus der THUSI-Lab-Sammlung auf Hugging Face laden; Streaming-vLLM ist als demnächst markiert.
- Integrationen
- Qwen3-VL- und Qwen3.5-Backbones, dicht und MoE; Ausgaben müssen mit erhaltenen Spezial-Tokens bereitgestellt werden; das Training erweitert das Verl-Framework; der Agent bedient Windows-Spiele über gewöhnliche Tastatur- und Mausereignisse.
- Daten und Datenschutz
- Kein Dienst und keine Datenerhebung: Das Repository ist Dokumentation unter Apache-2.0. Daten und Checkpoints zu Honkai: Star Rail werden nicht veröffentlicht, und Screenshots und Videos von Spielen bleiben Eigentum ihrer Rechteinhaber.
- Grenzen
- Hauptmodelle zurückgehalten und Inferenz-Engine unveröffentlicht; die Ergebnisse decken ein kommerzielles Spiel und vier öffentliche Benchmarks ab; laut den Autoren kann tiefere Strategie die Denkfähigkeit des Modells übersteigen, und die Serving-Kosten müssen sinken, bevor ein breiterer Einsatz möglich ist.
Was gut ist
- Spielt aus Pixeln über Tastatur und Maus, ohne Spiel-API
- Aktionsformat, Tastennamen und System-Prompt vollständig dokumentiert
- Großer Vorsprung vor allgemeinen Modellen bei zurückgehaltenen Minispielen
- GameScaling-Checkpoints von 0.8B bis 27B auf Hugging Face
Was nicht
- Noch kein ausführbarer Code im Repository
- Honkai-Star-Rail-Checkpoints zurückgehalten
- Alle Ergebnisse von den Autoren, auf ihrem eigenen Spiel
- Training und Serving setzen GPUs der H200-Klasse voraus
Am besten für
Forschende, die Bildschirm-und-Tastatur-Agenten bauen und ein dokumentiertes Aktionsformat und ein Trainingsrezept zum Vergleich suchen.
Alternativen zu Gamer (miHoYo)
Gamer (miHoYo): häufige Fragen
- Lohnt sich Gamer (miHoYo)?
- Gamer ist ein ernsthaftes Paper darüber, einem Modell das Spielen nach Menschenart beizubringen, verbunden mit einem Repository, in dem man vorerst vor allem darüber lesen kann. Wir bewerten es mit 3.2 von 5.
- Was kostet Gamer (miHoYo)?
- Kostenlos und Open Source (Apache-2.0) für Code und Dokumentation. GameScaling-Checkpoints sind kostenlos auf Hugging Face; die Honkai-Star-Rail-Modelle werden nicht veröffentlicht.
- Welche Nachteile hat Gamer (miHoYo)?
- Noch kein ausführbarer Code im Repository; Honkai-Star-Rail-Checkpoints zurückgehalten; Alle Ergebnisse von den Autoren, auf ihrem eigenen Spiel; Training und Serving setzen GPUs der H200-Klasse voraus.
- Für wen eignet sich Gamer (miHoYo)?
- Forschende, die Bildschirm-und-Tastatur-Agenten bauen und ein dokumentiertes Aktionsformat und ein Trainingsrezept zum Vergleich suchen.
- Ist Gamer (miHoYo) sicher für Firmendaten?
- Kein Dienst und keine Datenerhebung: Das Repository ist Dokumentation unter Apache-2.0. Daten und Checkpoints zu Honkai: Star Rail werden nicht veröffentlicht, und Screenshots und Videos von Spielen bleiben Eigentum ihrer Rechteinhaber.
- Was sind die besten Alternativen zu Gamer (miHoYo)?
- Die nächsten Alternativen, die wir getestet haben, sind OpenComputer und CUA Agent Kit.
Antworten geprüft am 21. Nov. 2026.