PUBG Ally: A Conversational Embodied Agent as an AI Teammate
Beomsoo Kim, Byeongju Kim, Dohyun Kim, Dongwon Kim, Eunchong Kim, Hongmin Kim, Hyeojung Im, Hyeonbin Hwang, Hyeonghwan Kim, Hyoseok Seol, Insub Im, Irene Chen, Jaeseung Jeon, Jimin Hong, Kiyoon Yoo, Minkyoung Park, Seohyeon Jung, Seungjun Chung, Sue Hyun Park, Sungwoo Kim, Youngin Cho, Yujeong Son, Kangwook Lee, Hyunseung Kim
cs.AI, cs.CL, cs.HC
2026-09-24
KRAFTON用事件驱动的语言模型加行为树,在PUBG双排里做可语音协同的端侧队友。近3.9万局真人数据训出2B学生,直播净推荐+25.1个百分点,战斗评分只有2.58/5。
游戏 AI 过去多半追求独自打赢。PUBG Ally 要坐在双排座位上:边听队友说话边自己交战、捡物资、丢烟救人,而且话必须跟正在做的事对得上。对局里晚半拍就是送。云端大模型来回一趟,端侧小模型又怕不会当队友。
范围限定 Sanhok 双排,英/韩/中,按键说话。系统分成两层。System 2 是语言模型,被玩家语音、倒地、圈缩这类事件唤醒,通过 16 个工具看战况、查知识、说话、下高阶动作,上下文大约 5000 token,用 compact 把未完成计划带去下一轮。System 1 是每 tick 执行的行为树,负责移动、交战、救援,推理还在跑时动作不会停。
数据来自韩国网吧 28 天:1046 人、38956 局,平均每局 14.1 分钟、59 条轨迹。先用 Gemma 4 31B 当老师,GEPA 优化提示;学生上场后,老师在学生走到的状态下改写整段轨迹,类似 DAgger。语料从 46.4 万条教范累加到共 31.3 万条纠正。训练三段:8B 中教师硬标签 SFT,再蒸馏到约 2B 学生,最后学生自己滚轨迹、教师给软标签。英语用 Mistral-NeMo-Minitron 8B→2B,韩语 Kanana 1.5,中文 Qwen3-8B→1.7B。
安全把游戏黑话默认当局内语言,针对真人真群体的仇恨才拦截;运行时过滤说话工具,并允许模型把敏感输入标红、不写入记忆。
能力评测上,蒸馏后 2B 与 31B 老师的置信区间重叠:事实 0.932 对 0.944,事件 0.954 对 0.952,意图 0.953 对 0.960,指令 0.876 对 0.889,轨迹 0.902 对 0.910。未特训的 2B 骨干轨迹只有 0.431。
有害输入上,最终模型在公开集达到 98.3–99.4% 无害回复,对局里代表性对话 84.1–99.0%;过度拒答 2.2–6.1%。边界已被突破的历史仍是最弱点,无害率 63.6%。RTX 4060 上单轮语音约 1.6 秒,云端约 3.4 秒;端侧 LM 中位 0.80 秒对云端 2.54 秒。前缀 KV 缓存复用 90.7%。各语言体积约 1.6–2.1 GB。
直播两周覆盖 141 国。有对局记录的答卷里,愿推荐的比不愿推荐的高 25.1 个百分点。战斗能力 2.58/5,是玩法项最低。50% 把 Ally 当工具,18.5% 当队友,31.5% 当陪伴。网吧 A/B 里端侧 v1 以 69.5% 对 18.8% 胜过云端,作者归因于当时云端变慢;延迟对齐后云端以 52.4% 对 31.1% 赢回。
这是少有的、把对话具身队友送进商业大逃杀并端侧推理的完整报告。可抄的是事件唤醒、工具限权、行为树托底,以及用玩家偏好反改评测尺。战斗力仍弱,产品卖的是响应和陪伴,不是替代人类突击手。
只做一张图、一种双排模式。能力分来自 LLM judge。安全评测的生产对话置信区间到 ±5.4 个百分点。直播问卷是自愿样本。跨局记忆和救援在自由文本里被夸过,也被抱怨过不稳定。倒地救援窗口仍会犹豫。