WildWorld: Dataset para modelado de mundos dinámicos en ARPG | Cómo entrenar modelos de mundo con estados y acciones explícitas | Generación de entornos de juego interactivos mediante IA

Abstract

PROBLEMA: Los modelos de mundo actuales a menudo carecen de la escala y la precisión necesaria para representar estados complejos y transiciones dinámicas en entornos de alta fidelidad como los Action Role-Playing Games (ARPG). Esto limita la capacidad de los agentes para planificar a largo plazo en mundos que cambian según las acciones del jugador. SOLUCIÓN: El paper presenta WildWorld, un dataset de gran escala diseñado específicamente para el modelado de mundos dinámicos con acciones y estados explícitos. Este dataset permite entrenar modelos que no solo generan visuales, sino que comprenden la lógica subyacente de la interacción. METODOLOGÍA: Utilizaron un motor de juego para extraer estados deterministas, acciones de agentes y cambios en el entorno en una vasta colección de escenarios, proporcionando una base sólida para el entrenamiento supervisado de modelos de mundo. RESULTADOS: Los experimentos demuestran que los modelos entrenados con WildWorld superan a los benchmarks anteriores en coherencia temporal y precisión de predicción de estado en un 15%, facilitando la creación de experiencias de juego generativas. RELEVANCIA: Es fundamental para el avance de los World Models aplicados a robótica y simulación, permitiendo una transición más suave de lo digital a lo real.