AnyGameRenderer viste de gráficos los prototipos grises de la IA y conserva las unidades en un 62,9%

Los agentes de programación ya son capaces de montar pequeños juegos jugables en minutos, pero el resultado parece «arte de programador»: cajas grises, figuras geométricas de colores y manchas semánticas planas. Los investigadores del proyecto AnyGameRenderer proponen cerrar esa brecha con un modelo de vídeo que toma la grabación y la redibuja como una imagen completa, con personajes, detalles de movimiento y efectos. La métrica en la que más insisten es la conservación de entidades: la coincidencia temporal subió del 50,9% al 62,9% respecto al modelo base, y la proporción de cambios omitidos en el número de objetos bajó del 34,7% al 21,3%.

Vídeo en lugar de G-buffer

La mayoría de los enfoques de renderizado neuronal de juegos exigen al motor muchos datos auxiliares: G-buffer, etiquetas de clase para cada objeto y proxies de bajo polígono. Los juegos que un agente monta en media hora no tienen ese lujo. AnyGameRenderer trabaja con vídeo normal. Le sirven igual un blockout gris, unas primitivas de colores, mapas semánticos o mallas de alambre. El modelo conserva la disposición, la cámara, la posición y el timing de cada entidad, y se encarga él mismo de dibujar el estilo, los personajes y los efectos.

Los autores declaran una cobertura amplia de géneros: tower defense, autobattlers, supervivencia top-down, combates por turnos, karting y runners con multitud. En estos juegos es especialmente importante la disciplina con el recuento: si en una oleada había 12 enemigos, a la salida deben ser 12, y no 9 ni 15.

Dónde suelen perder unidades los modelos de vídeo

Los modelos generativos de vídeo dibujan bien, pero cuentan mal. En una multitud fusionan personajes vecinos, «olvidan» a los que aparecen más tarde o dibujan unidades de más. En el cine eso es tolerable; en una interfaz de juego, no: el jugador sigue una unidad concreta, y que un objeto aparezca o desaparezca en un fotograma equivocado rompe el gameplay.

Por eso los autores desarrollaron un benchmark a nivel de entidades: 59 casos reservados, 753 entidades y evaluación frente a bounding boxes de referencia. Se compara el modelo con el base según si los objetos coinciden en el tiempo, si se detectan los cambios de cantidad y cuántas entidades se inventan o se quedan sin renderizar. AnyGameRenderer gana en todos estos puntos.

Con qué se alimentó el modelo

La base es MiniMax-H3 ref2va, un modelo de vídeo de 33 mil millones de parámetros que acepta un vídeo de referencia como condición. Se le aplicó ajuste fino con LoRA sobre el corpus sim10k, de unos 10 mil clips emparejados procedentes de tres fuentes:

• datos de renderizado multiflujo de 38 juegos creados por agentes y exportados desde GEAR, una herramienta de IA para crear juegos;
• datos de doble flujo de Unreal Engine, con multitudes controladas por programa, cambios en el número de unidades y escalas de entidades;
• grabaciones reales de gameplay, cuyos pares se reconstruyeron mediante detección de cajas 3D.

La primera fuente aporta en la entrada la «basura visual» habitual de los agentes; la segunda permite controlar con precisión el recuento y la aparición de objetos; la tercera aporta realismo. Es un conjunto sensato: la síntesis ofrece un etiquetado exacto y las grabaciones reales protegen frente a una distribución demasiado aséptica.

Las cifras y su techo

• Coincidencia temporal de entidades: 50,9% → 62,9%.
• Cambios omitidos en el número de objetos: 34,7% → 21,3%.
• Benchmark: 59 casos reservados, 753 entidades.
• Base: MiniMax-H3 ref2va, 33B, ajuste fino con LoRA.
• Datos: unos 10 mil clips emparejados de tres fuentes.

La mejora es notable, pero un 62,9% significa que más de un tercio de las entidades sigue sin coincidir con la referencia en el tiempo. Para producción es insuficiente. Para prototipos rápidos y pitches basta: se obtiene, sin artista, un visual que se puede enseñar a un inversor o a los jugadores de un playtest temprano.

La conclusión práctica para la industria es que el esquema «el agente escribe el juego y el modelo de vídeo lo dibuja» empieza a ser plausible. Los estudios indie y los autores de prototipos pueden usar las builds grises como guion para la visualización. Los desarrolladores de herramientas como GEAR deberían incluir en la exportación clips limpios con una semántica de entidades clara, y quienes construyen sus propios renderizadores deberían pasar de las métricas generales de calidad de imagen a métricas de conservación de objetos: ahí es donde hoy se sitúa la frontera entre un vídeo vistoso y unos gráficos aptos para jugar.