Player-1: 합성 경험을 통해 게임 플레이 학습

요약

본 논문은 합성 경험을 활용하여 게임 플레이 학습의 한계를 극복하는 Player-1 프레임워크를 제안합니다. 기존 에이전트가 직면했던 제한적인 시연 데이터 의존성을 넘어, 상대 포인터 움직임과 복합 동작으로 액션 공간을 확장했습니다. 이를 통해 구축된 Player-1-Gym 환경에서 강화 학습을 수행한 결과, 기존 지도 학습 대비 높은 성능 향상을 입증했습니다.

핵심 포인트

• Player-1은 합성 경험 기반의 게임 제어 학습 프레임워크입니다.
• 액션 공간을 상대 포인터 움직임 및 복합 동작으로 확장했습니다.
• Player-1-9B와 Player-1-35B-A3B는 기존 SFT 대비 높은 성공률 향상을 보였습니다.
• 광범위한 합성 환경 커버지가 전이 학습 성능을 개선합니다.