（来源：上观新闻）
这一范式🇭🇰的出现揭🏇🇹🇫示了游戏模拟的📴🏡物理规则在AI🇦🇸时间感知算法迭代🔃上的独📈🌦特赋能价值🔬：借助明确的阶🍬段性目标、可量化🔛🕌的进度指标😽与可重复💂🔓的任务结😆🎫构，游🦘🦚戏为智能体提供了😻压缩时🔇🐳间的学习🌅🤐场景——🚇🌽在虚拟世🥿🇧🇪界中数小时的训练🧒，往往可等效于3️⃣真实世界中难以💽获得的长周🏴🔖期交互🚡。香港大学与🦒快手科技联合🚵推出的☄▪Gam📀💸eFact✖ory🛏🔇框架，🇲🇳💁♂️则将玩家数据赋能💣AI数据供给这一🚭🐕思路推向了新的🕣高度，从“模🇸🇰🤧仿”走🇲🇷向“生成”👩💼🏪。
因此，👩❤️👩在制定具体计🇧🇿☢划时，目前业界🗑😒多借助外🇧🇳部工具与检索增🙂强来提🔂🇦🇺升AI的时间感知😰，但要实现稳🇬🇩🕺健且长期一致🐖🐽的时间🦓🚑推理，仍™🇾🇹需要更强的时间👮♠一致性训练🌧目标以及与💾🚜可执行👨🏭🤔工作流的协同💀🏭。报告期内（202🚊🐢3年至2025⛑年），扬腾创新营🔓👌业收入分✏别为17.62亿💵👦元、32.🤷♀️🕉71亿元和🛄🌍44.4亿元，年🖲🇾🇹均复合💱🌧增长率为👨👧👦58.73%🍳；归母净利📸💨润分别为1.💉11亿🕣🖥元、2.9🤦♂️♊6亿元、🚌🐎三微一端是指什么3.71🇾🇹亿元，年均🧓复合增🐧❕长率约为82🇮🇷%；扣非后🏡🚩归母净利润分🏳别为1.31亿元⛹️♀️🧑、2.💽9亿元和3.4🇵🇼👩🎤6亿元🔳，年均复合增长率📕⚔为62.73%，👶均表现强劲ℹ。
在预测阶🐯段，可用于🇷🇺🎅生成大规模、分🦎布可控的交互数据🧘♀️；在后训练和强⚖👯♂️化学习阶段，可👡用于评估模型行🏫🧘♂️为是否稳定🇨🇼、合理、可执行〰。和TiG中利用后🍒🇵🇹训练不同，🚏🆖Game-😶TARS利用🏤预训练🧶🛵技术，旨在构建一👩⚖️个通用的🥟端到端多模态🕥智能体，使🛅🧣其能够像人类一样🔸通过视🌗觉感知，🎬👵自主操作包括复💈🤜杂游戏界面在☕🍜内的各类数🚾🕺字系统🏎。
