目前，大语言模型（LLM）决定游戏中看到的一切，例如生物的名称、使用的精灵图像、元素类型、属性、能力名称、能力原型、能力属性以及能力使用的精灵图像等。整个游戏在我仅有6GB显存的电脑上本地运行。经过对80亿到120亿参数范围的模型进行大量测试，Gemma 2在这种函数调用方面表现最佳，同时保持创造性。其他模型可能在创意写作方面更好，但在各项平衡以及注重函数调用且较少产生幻觉方面，90亿参数的Gemma 2远超其他模型。从生物名称到能力使用的精灵图像等所有内容都是由本地的LLM在游戏中实时决定的。游戏还有无限合成式的制作玩法。我只是刚开始做这个项目，大多数功能还未完成，所以还不会发布任何内容，但想分享目前的成果。用于与游戏交互的模型是bartowski/gemma - 2 - 9b - it - GGUF/gemma - 2 - 9b - it - Q3_K_M.gguf。这个项目的突出之处在于展示了一种利用递归分层列表选择来构建连贯事物的方法。如果有人知道80 - 100亿参数范围内更好的用于函数调用的LLM，我很乐意尝试。如果有人有任何其他使用LLM做游戏管理员的酷炫想法或功能，我很乐意听取。
讨论总结
原帖作者正在构建一个以LLM为游戏管理员来创建内容的项目，目前还未完成。评论者们围绕这个项目展开了多方面的讨论，包括对项目表示感兴趣、推荐其他模型、提出关于项目技术细节的疑问、分享自己类似项目的经历、惊叹原帖作者的创造力、肯定项目成果、给出项目扩展的创意建议等，整体氛围积极向上且富有探索性。
主要观点
- 👍 对原帖项目感兴趣，想要尝试
- 支持理由：原帖项目展示了利用LLM构建游戏内容的独特性。
- 反对声音：无。
- 🔥 推荐L3.2 3B和Qwen Coder 2.5 7B模型用于项目
- 正方观点：在需要结构化选择的任务中，编码专业型模型可能效果更好。
- 反方观点：原帖作者提到Gemma 2目前在功能调用方面表现较好。
- 💡 自己有类似项目在进行，好奇有多少人在做相似项目
- 解释：基于原帖分享的项目内容产生共鸣，进而对相似项目的普及度表示好奇。
- 👍 对原帖作者的智慧和创造力表示惊叹并认可工作成果
- 支持理由：原帖作者的项目展示出独特的创意。
- 反对声音：无。
- 💡 可以引入图像生成模型等丰富项目构建内容
- 解释：提出利用图像生成模型制作候选精灵等一系列操作来扩展项目。
金句与有趣评论
- “😂 Github? I’d like to give this a try.”
- 亮点：直接表达对项目的兴趣并想尝试。
- “🤔 You can also test recent L3.2 3B, and Qwen Coder 2.5 7B, coding - specialist models might produce better results in such tasks where structured choice are expected”
- 亮点：根据项目需求推荐可能更好的模型。
- “👀 Damn, it’s not often it shocks me how intelligent and creative some people are. Amazing work!”
- 亮点：强烈表达对原帖作者智慧和创造力的惊叹。
- “😎 Maybe you could use a image generating model to make candidate sprites and another model annotate them and allow your LLM to pick one.”
- 亮点：为项目提供了新的创意建议。
- “💪 Your project is off to a great start, you have worked out the mechanic for a solid proof of concept here which you can definitely leverage for some novel experiences.”
- 亮点：肯定原帖作者项目的起步成果。
情感分析
总体情感倾向是积极的。主要分歧点在于对原项目中使用Gemma 2模型在功能调用方面较好这一观点上，有人推荐其他模型。可能的原因是不同人对不同模型的特性和适用场景有不同的理解。
趋势与预测
- 新兴话题：代理系统在项目中的应用及其实施。
- 潜在影响：如果这些创意建议被采纳，可能会使利用LLM构建游戏内容的项目更加丰富和完善，推动相关游戏开发领域的发展。
详细内容：
《Reddit 上的创新游戏项目引发热烈讨论》
在 Reddit 上，有一个关于利用 LLM 作为游戏管理员来创建内容的项目引起了广泛关注。原帖详细介绍了目前该项目的进展，包括 LLM 对游戏中各种元素的决策，如生物的名称、形象、元素类型、能力等，还提到游戏拥有无限工艺风格的制作系统，并且整个游戏在作者的电脑上本地运行，仅需 6GB 的 VRAM。该帖子获得了众多点赞和评论，大家主要围绕项目的进一步发展、技术实现以及可能的创新方向展开了热烈讨论。
讨论的焦点主要集中在以下几个方面： 有人好奇项目是否有 Github 链接，想要尝试。有人询问是否生成了 UI 以及环境和 LLM 之间的交互流程。还有人探讨了利用 LLM 生成环境的可能性，比如通过提供图块布局示例让其自动生成地图。对于模型的选择，有人建议测试近期的 L3.2 3B 和 Qwen Coder 2.5 7B 等，认为它们在特定任务中可能产生更好的结果。关于精灵的生成方式，有人认为是从预先制作的一堆精灵中挑选，而非通过扩散模型生成。
有人分享了自己在类似项目中的经历，比如还未完成 UI 生成，计划让 LLM 能够创建环境布局等。
有趣的是，有人觉得这个项目让人想起了“画个火柴人”游戏。
有观点认为可以使用图像生成模型来制作候选精灵，然后由另一个模型进行注释，让 LLM 进行选择。有人提出可以使用代理系统，设置多个代理，甚至利用不同的 LLM 架构。
还有人分享了在文本冒险游戏方面的实验经历，指出即使生成过程需要较长时间，但结果值得，并且提到本地模型运行成本低等优势。
对于 LLM 在游戏中的应用，有人认为要发挥其优势，比如利用其内部的世界模型创建连贯性，也有人质疑使用 LLM 是否合适，认为简单脚本也能完成某些生成任务。
在讨论中，大家在模型的选择、技术实现以及游戏的创新方向等方面存在不同看法，但也在一些方面达成了共识，比如认可利用 LLM 进行游戏开发的潜力和创新性。特别有见地的观点是关于如何更好地发挥 LLM 的优势，以及通过本地模型降低成本和提高创作效率。
总之，这次关于游戏项目的讨论展现了大家的创新思维和对新技术的积极探索，为项目的进一步发展提供了丰富的思路和方向。
感谢您的耐心阅读！来选个表情，或者留个评论吧！