Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Gamer (miHoYo)

L'agent de recherche de miHoYo qui joue en regardant l'écran, au clavier et à la souris. L'article est sorti ; le modèle entraîné, non.

Avis de ReviewRamble editors · Mis à jour

Voir sur GitHub Open source

Partager cette page :XLinkedInFacebookRedditWhatsAppE-mail

Notre note

3.2/5

Gamer est un article sérieux sur la façon d'apprendre à un modèle à jouer comme le fait une personne, adossé à un dépôt qui, pour l'instant, sert surtout à en lire le récit.

Qu’est-ce que Gamer (miHoYo) ?

Gamer est un modèle vision-langage-action de l'équipe Honkai AI R&D de miHoYo, rédigé avec des chercheurs de l'Université nationale de Singapour, de Tsinghua et de trois autres universités chinoises. Il regarde l'écran cinq fois par seconde et répond par des entrées clavier et souris : un mouvement de souris et six groupes de 33 ms de touches maintenues pour chaque tranche de 200 ms, soit environ 30 pas de contrôle par seconde, puisés dans un vocabulaire de 74 noms de touches. Il repose sur Qwen3-VL et Qwen3.5 et s'entraîne en trois étapes : un pré-entraînement prolongé sur plus de 10 000 heures de parties, un réglage par instructions qui lui apprend à ne raisonner qu'aux moments de décision et à tenir un résumé de mémoire, et un apprentissage par renforcement en ligne avec une méthode que les auteurs appellent TA-GRPO.

Le dépôt accompagne l'article : le modèle de prompt système, le format d'action et les règles d'analyse, et un dossier pour Streaming-vLLM, le moteur d'inférence à faible latence, annoncé pour bientôt. L'article est arXiv 2611.18397. Les checkpoints de l'étude apparentée GameScaling, de 0.8B à 27B paramètres, sont sur Hugging Face ; les modèles entraînés sur Honkai: Star Rail ne sont pas publiés. Le premier commit date du 14 novembre 2026 et le dernier du 16 novembre.

Gamer (miHoYo) vaut-il le coup ?

L'intérêt n'est pas qu'un modèle sache jouer ; comme le rappelle l'article, des agents battent les humains à Atari, Minecraft et StarCraft depuis des années. Il est que Gamer y parvient sans qu'on lui ouvre la porte de service. Ces champions d'hier lisaient l'état interne du jeu ou utilisaient des interfaces d'action sur mesure ; Gamer reçoit les pixels et un clavier, comme tout le monde sur le canapé. Sur du contenu réservé de Honkai: Star Rail, le propre jeu de miHoYo, le modèle entraîné par renforcement a franchi 80,0 % et 83,6 % des étapes de deux quêtes secondaires, qui en comptent 30 et 55, et a obtenu en moyenne 49,7 % sur 40 mini-jeux de sept types. Le réglage par instructions a fait l'essentiel du travail ; l'apprentissage par renforcement a ensuite ajouté 7,8 et 14,5 points sur les quêtes et 10,5 sur les mini-jeux.

Les références de comparaison disent la chose plus nettement que le résumé. Sur les mêmes mini-jeux, l'article attribue 17,1 % à GPT-6.1-Sol, 2,0 % à Gemini-3.8-Flash et 3,2 % au Qwen3-VL-8B non ajusté. Un modèle généraliste sait lire une énigme ; agir à temps est un autre métier. L'article montre aussi que la vitesse fait partie du talent : des politiques performantes tant que le jeu se met poliment en pause pour elles se dégradent nettement quand il ne le fait pas, et c'est ce problème que Streaming-vLLM doit résoudre. Sur une H200 avec Qwen3.5-35B-A3B, les auteurs ont ramené une requête de 1306,00 ms à 65,12 ms, une accélération de 20,1×, même si la comparaison oppose un GPU à quatre.

Le hic : presque rien ici ne s'exécute. Le dépôt se compose d'un README, d'une licence et d'un dossier vide ; Streaming-vLLM est annoncé pour bientôt, et l'article précise que, pour des raisons de sécurité des données, aucun checkpoint entraîné sur des données de Honkai: Star Rail ne sera publié. Ce que l'on peut télécharger, ce sont les checkpoints de pré-entraînement GameScaling, qui s'arrêtent avant le réglage par instructions et l'apprentissage par renforcement à l'origine des résultats ci-dessus. L'affirmation phare d'une efficacité comparable à celle de joueurs aguerris ne s'accompagne, à notre lecture, d'aucun score humain dans aucun tableau. Chaque chiffre vient des auteurs, sur un jeu qu'ils fabriquent, avec des récompenses vérifiées contre un état du moteur qu'aucun laboratoire extérieur ne peut atteindre, et l'entraînement a servi 32 environnements de jeu à partir de 64 GPU H200.

Notre avis : à lire comme un rapport de terrain bien documenté d'un studio qui apprend à un modèle à jouer à son propre jeu, avec un format d'action qui mérite d'être emprunté. Qui espère télécharger un agent pour expédier ses quêtes quotidiennes trouvera la porte poliment close.

Là où il fait la différence

  • Une doctorante qui travaille sur des agents vision-langage-action pour le jeu vidéo

    Adopter un format d'action éprouvé au lieu d'en concevoir un de zéro

    Reprenez le bloc publié d'un déplacement de souris et de six groupes de touches de 33 ms, le vocabulaire de 74 jetons de touches et les règles d'analyse : conserver les jetons spéciaux, n'analyser qu'après la dernière balise </think>, traiter tout ce qui est illisible comme une absence d'action. Gratuit sous Apache-2.0 et utilisable avec tout modèle que vous affinez.

  • Un responsable QA dans un studio de jeu de taille moyenne

    Juger si des agents pilotés par l'écran pourraient mener des tests de régression sur des quêtes

    Lisez les sections de l'article sur les environnements vérifiables et l'évaluation par lots, puis partez d'un checkpoint GameScaling sur Hugging Face. Prévoyez du vrai matériel : pendant l'entraînement, les auteurs ont servi 32 environnements de jeu Windows à partir de 64 GPU H200.

Avant de vous engager

Mise en route
Rien à installer depuis ce dépôt pour l'instant. Lisez l'article, copiez le modèle de prompt système et les règles d'analyse du README, et téléchargez les checkpoints GameScaling depuis la collection THUSI-Lab sur Hugging Face ; Streaming-vLLM est annoncé pour bientôt.
Intégrations
Backbones Qwen3-VL et Qwen3.5, denses et MoE ; les sorties doivent être servies en conservant les jetons spéciaux ; l'entraînement étend le framework Verl ; l'agent agit sur des jeux Windows par des événements clavier et souris ordinaires.
Données et confidentialité
Ni service ni collecte de données : le dépôt est de la documentation sous Apache-2.0. Les données et checkpoints Honkai: Star Rail ne sont pas publiés, et captures et vidéos de jeu restent la propriété de leurs détenteurs.
Limites
Modèles phares retenus et moteur d'inférence non publié ; les résultats couvrent un jeu commercial et quatre benchmarks publics ; selon les auteurs, une stratégie plus profonde peut dépasser les capacités de raisonnement du modèle, et le coût d'inférence doit baisser avant un usage plus large.

Les points forts

  • Joue à partir des pixels au clavier et à la souris, sans API de jeu
  • Format d'action, noms de touches et prompt système entièrement documentés
  • Net avantage sur les modèles généralistes dans les mini-jeux réservés
  • Checkpoints GameScaling de 0.8B à 27B sur Hugging Face

Les points faibles

  • Pas encore de code exécutable dans le dépôt
  • Checkpoints Honkai: Star Rail non publiés
  • Tous les résultats viennent des auteurs, sur leur propre jeu
  • Entraînement et inférence supposent des GPU de classe H200

Idéal pour

Chercheurs qui construisent des agents écran et clavier et veulent un format d'action documenté et une recette d'entraînement comme point de comparaison.

Alternatives à Gamer (miHoYo)

Gamer (miHoYo) : questions fréquentes

Gamer (miHoYo) vaut-il le coup ?
Gamer est un article sérieux sur la façon d'apprendre à un modèle à jouer comme le fait une personne, adossé à un dépôt qui, pour l'instant, sert surtout à en lire le récit. Nous lui donnons 3.2 sur 5.
Combien coûte Gamer (miHoYo) ?
Gratuit et open source (Apache-2.0) pour le code et la documentation. Les checkpoints GameScaling sont gratuits sur Hugging Face ; les modèles Honkai: Star Rail ne sont pas publiés.
Quels sont les inconvénients de Gamer (miHoYo) ?
Pas encore de code exécutable dans le dépôt; checkpoints Honkai: Star Rail non publiés; tous les résultats viennent des auteurs, sur leur propre jeu; entraînement et inférence supposent des GPU de classe H200.
À qui s’adresse Gamer (miHoYo) ?
Chercheurs qui construisent des agents écran et clavier et veulent un format d'action documenté et une recette d'entraînement comme point de comparaison.
Gamer (miHoYo) est-il sûr pour les données de l’entreprise ?
Ni service ni collecte de données : le dépôt est de la documentation sous Apache-2.0. Les données et checkpoints Honkai: Star Rail ne sont pas publiés, et captures et vidéos de jeu restent la propriété de leurs détenteurs.
Quelles sont les meilleures alternatives à Gamer (miHoYo) ?
Les alternatives les plus proches que nous avons testées sont OpenComputer et CUA Agent Kit.

Réponses vérifiées le 21 nov. 2026.