Восемь агентов VibeGame собирают 2D-игру из промпта и обгоняют аналоги на GameCraft-Bench

Команды из Лаборатории PRLab при Нанкинском университете и S-Lab при Наньянском технологическом университете опубликовали VibeGame — фреймворк, который по текстовому описанию и необязательным референсным картинкам создаёт полный 2D-игровой проект: с кодом, сценами, анимацией, физикой и конфигурацией. Внутри работает команда из восьми специализированных агентов, а сам проект лежит в виде текстовых файлов, которые агент может читать и править без графического редактора. На подмножестве GameCraft-Bench система в режиме, где графику она рисует сама, превзошла другие агентные обвязки на той же базовой модели, включая GPT-6.1-Sol.

Почему игры тяжелее обычного кода

Авторы исходят из того, что игра — один из самых требовательных видов софта. Она должна в реальном времени поддерживать интерактивный мир, держать единый визуальный стиль и соблюдать сбалансированные правила. Многие ошибки проявляются только во время игры: ввод игрока, физика, анимация и логика взаимодействуют так, что формально корректный проект ломается на ходу.

Существующие подходы, по оценке авторов, закрывают задачу лишь частично. Мировые модели вроде Genie генерируют интерактивный опыт из видео, но не дают редактируемого исходного кода. LLM внутри коммерческих движков, как DreamGarden для Unreal, упираются в состояние проекта, размазанное по графическим интерфейсам и бинарным файлам. А многие агентные системы проверяют игру только в конце или лишь убеждаются, что она собирается и запускается.

Движок, который читают агенты

За основу взят веб-фреймворк Phaser: проекты в нём целиком выражаются текстом. Чтобы агенты не плодили хаос, авторы добавили структуру. Игра — набор сцен с конфигурацией в JSON-файлах с проверкой типов. Каждая сцена — иерархия узлов, а узел объединяет внешний вид, геометрию столкновений, скрипты поведения и настройки. Общие узлы хранятся в отдельных файлах. Схема ловит битые ссылки, например на отсутствующий ассет, ещё до запуска.

Второе свойство — покадровое управление. Агент может поставить игру на паузу, продвинуть её на заданное число кадров, прочитать или изменить положение и скорость узлов, подать смысловую команду вроде «нажать прыжок» и сделать скриншот. Так проверка идёт в темпе агента, а не реального времени: покадрово, скриптами или ботами. Третье — полный несжатый исходный код движка кладётся в каталог проекта, чтобы агент смотрел точные API, а не устаревшую документацию.

Команда, которая спорит сама с собой

Роли распределены так: оркестратор, дизайнер, художник, архитектор, программист, аудитор, игрок и ревьюер. Дизайнер превращает запрос вроде «босс-файт в духе Hollow Knight» в дизайн-документ с механиками, прогрессией и числовыми системами. Художник через модели генерации картинок, в том числе GPT-Image-2, делает концепт-арт и ассеты, убирает фон и нормализует размеры. После подтверждения пользователем документ и концепт становятся общей опорой.

Код проходит цепочку из архитектора, программиста, аудитора и игрока. Аудитор статически проверяет результат инструментами согласованности движка. Игрок запускает игру через рантайм-интерфейс и с помощью vision-модели оценивает, совпадает ли картинка с замыслом. Подзадача считается готовой только после обеих проверок. В конце независимый ревьюер оценивает проект по поведению игры, визуальной полноте и согласованности, а также по ощущению от управления. Если что-то не проходит, он возвращает проект с причинами, и оркестратор превращает их в задачи на доработку.

Самоэволюция без обучения

После приёта проекта система извлекает из него переиспользуемый опыт трёх видов: скелеты, модули и контракты взаимодействия. Скелет — запускаемый шаблон проекта для жанра: без ассетов, но с архитектурой кода, настроенными значениями и потоком сцен. Новые проекты адаптируют и перепроверяют эти материалы, а не копируют вслепую. Непроверенное и специфичное для проекта остаётся изолированным. Веса модели при этом не меняются.

Абляции показывают, что удаление AI-нативного движка или состязательных ревьюеров существенно снижает общий балл. Опыт, извлечённый более сильной моделью, помогает улучшить результат более слабой.

Что стоит учитывать

Оценка идёт по подмножеству GameCraft-Bench, по четырём осям: базовые механики, глубина контента, функциональная визуальная часть и художественная подача. Итог — взвешенный балл из приложения статьи. В доступном тексте конкретных значений нет, поэтому масштаб преимущества над конкурентами проверить нельзя. Сравнение с другими обвязками проведено самими авторами. Фреймворк ограничен 2D и завязан на Phaser. Для разработчиков вывод практичен: текстовое представление проекта, покадровое управление рантаймом и независимая роль ревьюера — приёмы, которые можно переносить на другие агентные пайплайны. Код и демо опубликованы на сайте проекта и в репозитории на GitHub.