RSIGame不只让AI多改几轮游戏,而是给迭代加上“刹车”

让 AI 做出一个能运行的游戏，和让它把游戏越改越好，是两件事。后者难在改动可能只修好了眼前的问题，却让游戏在别的玩法下更脆弱。RSIGame 的思路不是单纯增加修改次数，而是把局部排查、整体质量监控和经验训练串成一套递归改进框架。

能玩只是起点，反复修补也会修偏

游戏生成的第一道门槛，是产出一个可玩的初版：程序能够运行，玩家可以进行基本操作。但“能玩”不等于完成，之后还要处理 bug、补全行为，并让游戏面对不同玩家的互动时仍然可靠。论文指出，从可玩的初版继续稳定提升质量并不容易；朴素的反复修改可能过拟合少量测试用例，留下 bug、缺失行为，也难以推广到更广泛的玩家互动。

这里的“过拟合”，可以理解为模型把有限的测试题背熟了：它针对某个测试问题做出修正，却不一定真正理解问题背后的规律。放到游戏里，某次操作测试通过了，不代表玩家换一种顺序、换一种策略，游戏也能正常回应。只盯着少数已知问题打补丁，改动看上去有效，整体体验却可能变得更脆弱。这个判断正是 RSIGame 试图处理的起点。

局部找问题，全局盯住改动有没有退步

RSIGame 把开发组织成局部循环和全局循环两部分。局部循环按“探索—诊断—改进”推进：先广泛探索可执行的游戏，再诊断并排列发现的问题，随后依据证据进行修订；一份持续更新的检查清单，则累积新的测试方法和改进指引。

这套安排的关键，不是把“多测几次”包装成新方法，而是试图让测试发现的问题进入下一轮开发的依据。持续更新的清单有机会把一次修复留下的经验带到之后的检查中，减少每次都从零开始的盲目试错。不过，清单也不是质量本身：如果探索范围有限，或诊断没有找准问题，后续修订仍可能沿着错误方向推进。

因此框架还设置了全局循环：它跟踪整体质量，保留表现最好的检查点，并检测长期开发过程中是否出现饱和或退步。检查点可以理解为一个可回到的阶段版本；它的价值在于，局部修改如果让整体表现变差，系统不必把这次变化当成进步继续累积。局部循环负责发现和处理具体问题，全局循环负责避免“修了一个地方、坏了另一处”被误认为持续进步。

经验训练瞄准少返工，摘要报出高分与省量

RSIGame 还把改进分成两层：一层是在开发过程中测试和修订，另一层是通过训练，把成功的开发经验内化到生成器中。所谓经验内化，意思不是只让系统在当前游戏里修得更好，而是希望训练后的生成器在后续生成时也能用上积累下来的经验。

论文摘要称，评测覆盖 140 项 GameCraft-Bench 任务、两种游戏引擎和五种生成器，并称在开发预算匹配的条件下，RSIGame 持续提升了游戏质量。Godot 和 Phaser 是两种游戏引擎，也就是用来运行和开发游戏的软件环境。摘要报告，经验内化后，Qwen3.8-27B 在 Godot 上得分 61.38、在 Phaser 上得分 58.53；作者称这超过了 GPT-5.5 单次生成的分数，同时让 Qwen 生成时消耗的文本处理单位减少 11 倍。文本处理单位是模型读取和生成文字时计量的基本单位，常用来估算模型调用开销。

这些数字如果成立，传递出的信号不只是“某个模型分数更高”：反复开发得到的经验，可能帮助模型把更多修正前置到生成阶段，减少之后的返工。但分数究竟衡量什么、比较时如何设置、文本处理单位按什么口径统计，都会影响结论该怎样解读。眼下能确定的是，摘要提出了一个覆盖多任务、多引擎和多生成器的评测范围，并报告了上述结果；要判断这些结果能否支撑更广泛的产品结论，还需要看到完整实验细节。

RSIGame 值得看的地方，是它把游戏生成后的迭代当作一个需要管理的开发过程：局部发现问题，全局防止退步，再把有效经验送回生成器。这个框架抓住了自动生成从“能运行”走向“经得起多种玩法”的关键难题。眼下的分数可以说明论文摘要声称取得了进展，却还不能替代对方法和实验设置的检验；真正重要的，是这套机制能否让游戏在不同互动下都变好，而不是只在有限测试里显得更好。