StreamDuo: A Live Commentator and a Research Agent for Unseen Games
Pubblicata su AIChronos il · fonte del · Zixian Gao, Penghao Luo, Xiangcheng Cao, Lixin Xiu, Ziqi Cai, Zhen Li
StreamDuo è un framework che abilita la commentary live su giochi non visti durante l'addestramento accoppiando un commentator trainabile con un agente di ricerca congelato. L'agente consulta le wiki del gioco in tempo reale per fornire definizioni mancanti al commentator, migliorando significativamente il richiamo delle entità rispetto ai modelli basati solo sulla visione (Proact-VL). Il sistema riduce drasticamente la fuoriuscita di informazioni dal gioco sorgente e ottiene i migliori punteggi nella tempistica e nella vivacità percepita. L'addestramento avviene in due fasi: l'apprendimento del guadagno informativo per formulare domande mirate e il distillazione self-on-policy su risposte rumorose.
- Il modello trasferisce la capacità temporale ma non le conoscenze specifiche sul mondo di gioco senza un agente esterno.
- L'architettura StreamDuo utilizza un commentator trainabile unito a un research agent frozen che legge wiki in tempo reale.
- Le etichette basate sull'information gain insegnano al modello quando chiedere aiuto per migliorare la precisione del commento.
- Il richiamo delle entità (entity recall) sale da 0.082 a 0.116 su dieci giochi non visti rispetto allo stato dell'arte Proact-VL.
- La leakage dal gioco di addestramento scende dall'9,9% al 1,0%, mitigando il problema del data contamination.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti locali, questo approccio dimostra come combinare un modello generativo flessibile con una fonte di conoscenza esterna (RAG) sia cruciale per gestire scenari out-of-distribution senza re-addestramento massivo.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.