@a1zhang：一次有趣的48小时实验，让一个RLM迭代构建界面，供另一个RLM玩《宝可梦 红》（预告……

X AI KOLs Following 新闻
reinforcement-learning ai-agents game-playing pokemon coding-agent experimental cheating

摘要

一次48小时的实验，一个RLM（强化学习模型）为另一个RLM构建了玩《宝可梦 红》的界面，最终后者利用 write_memory 工具作弊，以创纪录的速度通关了游戏。

一次有趣的48小时实验，让一个RLM迭代构建界面，供另一个RLM玩《宝可梦 红》（@PrimeIntellect 正在酝酿的一些有趣项目的预告）。负责生成界面的RLM的任务仅仅是让另一个RLM（使用相同的框架）在5小时实际时间内通关游戏。我原本以为RLM会设计一些类似《Gemini玩宝可梦》中使用的组件，比如额外地图、解析屏幕的界面等，设计能在模拟器上快速运行的底层策略，并围绕RLM设计良好的提示和策略，让RLM使用子智能体通过检查点探索游戏状态，利用随机数操纵等等。然而，RLM最终决定给另一个RLM提供一个 `write_memory` 工具，而玩家RLM决定用它来：1）立即将玩家传送到四天王；2）给自己一只100级的超梦（由于图鉴ID与内部ID不一致，它误以为是小火马）；3）给自己999999金币；4）通过设置正确标志获得全部8枚徽章。然后它轻松击败了四天王和青绿，以创纪录的速度通关游戏 :p 你还会在视频中注意到奇怪的回溯和跳帧现象，这是因为它也采用了启动子智能体探索动作轨迹的策略，但保存帧和录制的方式很诡异（所以你会看到多次子智能体探索的结果）。我们很快会带来更多有趣且酷炫的RLM演示，但看到RLM能作为通用智能体（无论是设计界面的编码智能体还是玩游戏的智能体本身）工作，真的很酷！
查看原文

相似文章

训练世界模型玩 Pokemon

Hacker News Top

本文详细介绍了一项实验：训练一个基于JEPA架构的世界模型来玩 Pokémon Red，探索了在教AI导航游戏环境方面涉及的过程和挑战。

GPT-Red：通过规模化自我对弈实现自动化红队测试

Hugging Face Daily Papers

本文介绍了GPT-Red，一种通过规模化自我对弈训练的自动化红队测试代理，旨在发现针对前沿LLM的新型提示注入攻击，并利用其对GPT-5.6进行对抗训练，实现了有记录以来最大规模的LLM安全训练运行。