RSIGame: un conjunto de modelos de 27B juega solo a los juegos y supera a GPT-5.5

RSIGame es un nuevo sistema chino en el que los modelos no se quedan en la primera versión generada de un juego. La IA ejecuta el resultado, lo juega, detecta fallos y reescribe el código. Los autores afirman que una combinación de modelos de 27B superó a GPT-5.5 en la generación de un juego en una sola pasada. La investigación fue publicada por Jiqizhixin (机器之心) el 21 de octubre de 2026. El texto completo de la publicación solo está disponible de forma parcial, así que a continuación se analiza lo que se ha declarado y, por separado, lo que sigue sin estar claro.

Ejecutar y terminar un juego son tareas distintas

Los LLM actuales ya saben convertir una frase como «hazme un plataformas con jefes» en un programa que funciona. Pero un programa que funciona no es todavía un juego terminado. Los autores de RSIGame enumeran los defectos habituales: los ataques del personaje no dan ninguna respuesta visible, los enemigos se comportan todos igual, los niveles carecen de variedad y, a veces, la mecánica clave es imposible de ejecutar.

Un desarrollador humano detecta estos problemas a mano. Juega la compilación actual, nota que el golpe «no se siente» o que la puerta del segundo nivel no se abre, corrige el código y vuelve a jugar. La generación de una sola pasada se salta por completo este ciclo.

Cómo funciona el ciclo de automejora

El nombre, a juzgar por todo, alude a la automejora recursiva (recursive self-improvement), aunque el fragmento disponible no incluye su significado. La lógica es esta: el sistema convierte el desarrollo en un proceso cerrado en el que el resultado de una iteración pasa a ser la entrada de la siguiente. De lo declarado se pueden extraer los siguientes elementos:

• Playtest automático: la IA ejecuta el juego y trata de completarlo, sin intervención humana.
• Búsqueda de defectos: durante la partida se registran fallos como la ausencia de respuesta, el comportamiento primitivo de los enemigos y los tramos infranqueables.
• Corrección: los problemas encontrados se traducen en cambios de código y de contenido.
• Iteración: la versión actualizada vuelve a pasar por una partida.
• Escala de los modelos: se usa una combinación de modelos de 27B.
• Referencia de comparación: GPT-5.5 en modo de generación «al primer intento».

Conviene fijarse en cómo está planteada la comparación. Un conjunto de varios modelos que pasa por varias iteraciones compite con un único modelo que tiene una sola oportunidad. Es un planteamiento perfectamente válido si el objetivo es demostrar la utilidad del propio ciclo. Pero no demuestra que un modelo de 27B sea, por sí solo, más potente que GPT-5.5. Más bien, la diferencia está en el proceso, no en la «inteligencia» de una red neuronal concreta.

Lo que todavía falta en el material

El texto disponible no incluye las métricas con las que se hizo la evaluación: no se sabe si los autores midieron la proporción de juegos completables, la variedad de mecánicas, las valoraciones subjetivas de personas o los veredictos de otro modelo. Tampoco se indica cuántas iteraciones hicieron falta, cuánto costó el cómputo ni qué modelos de 27B forman parte del conjunto. Y no está claro con qué conjunto de juegos se realizó la prueba: las arcades sencillas y los proyectos complejos con muchos sistemas se comportan de manera muy distinta.

Otra cuestión es la fiabilidad de la autoevaluación. Si el mismo sistema juega y juzga, puede pasar por alto un defecto que a un humano le resultaría evidente, o «corregir» algo que no estaba roto.

Qué deben vigilar desarrolladores y estudios

La conclusión práctica no depende de las cifras concretas de RSIGame. Si desarrollas herramientas basadas en LLM para crear juegos, aplicaciones u otro software interactivo, añade a tu pipeline una fase de ejecución real y de verificación del resultado. Incluso un modelo pequeño con playtest automático y varias iteraciones puede producir un resultado mejor que un modelo caro con un solo intento.

Al evaluar este tipo de soluciones, conviene exigir a los autores tres cosas: un conjunto abierto de juegos de prueba, una descripción de las métricas y una comparación con el mismo presupuesto de cómputo. Hasta que se publiquen el artículo completo y el código, es mejor considerar la afirmación de superioridad sobre GPT-5.5 como una hipótesis prometedora, no como un hecho establecido.