ゲーム制作のためのAIエージェント：2025年以降の技術的経路、検証器、未解決問題

要旨

ゲーム制作は再編されつつある。「人間がコードを書き、人間がアセットを作り、人間がプレイテストする」から、「エージェントがエンジニアリング構造を提案し、エンジンツールを呼び出し、何らかの検証器が結果の合格可否を判定する」へと。本サーベイは、2025年以降のこの転換について、技術的経路、検証手段、未解決問題を検討する。対象は制作側、すなわちエージェントがゲームのエンジニアリング、コンテンツ、品質をいかに生成・修正・検証するかであり、ゲームプレイの中核として用いられる実行時生成AIではない。

本サーベイはタスク面（何を産出すべきか）×環境面（エージェントがどこで動作するか）×検証器（何が「合格」を決めるか）を軸に構成され、検証器を第一級の比較次元として扱う。中心的な観察は、検証器の選択がモデル間の差よりも結論に影響することを常態とすることにある。同じ成果物でも判定方法が変われば合格・不合格・スコアが変わり、一方で検証を物理、幾何、実行時状態へと押し下げたところに桁違いの改善がある。したがって各章は数値を、それを生み出した検証器とともに報告し、検証器をまたいだ比較は行わない。

コーパスは中核論文210本であり、112本を全文セクションで、98本を要旨レベルで読解した。本サーベイは四部構成である。第1〜3章では境界、共有された形式化（V0〜V6検証器ラダーを含む）、分類木を示す。第4〜9章では六つの主要系統（コードとエンジニアリング、コンテンツ制作、生成的ワールドモデル、テストと品質保証、設計と人間–AI協働、ベンチマークと評価）を叙述する。第10〜12章では四つの未決の論争を並置し、再利用可能なリソースを棚卸しし、教育、XR、コミュニティMODなどの領域で手法がいかに書き換えられるかを論じる。第13〜14章ではそれらのギャップから未解決問題を導出し、結論とする。

1 序論

1.1 体験側との分業

生成AIは二つの異なる問題系に沿ってゲームに参入する。「体験側」は生成モデルをゲームプレイの中核として扱う。ゲーム自体が実行時に生成され、プレイヤーの行動が変えるのは生成プロセスである（この方向には既にサーベイやロードマップがある。[209][204][210]を参照）。「制作側」はエージェントを制作ツールとして扱う。エージェントが産出するのはエンジニアリング、レベル、アセット、テキスト、テストレポート、評価結論であり、判断基準はそれらの成果物がエンジン内で使用可能であり仕様に忠実であるかどうかである。両者はモデルと技術を共有するが、検証方法と故障モードはまったく異なる。体験側では故障とはプレイヤー体験の悪化を意味し、制作側では故障とはコンパイルできない、完成できない、あるいはチェックには通るが設計意図を外した成果物を意味する。本サーベイは制作側のみを扱い、体験側は共有機構（ワールドモデル、レンダリング）が関わる箇所で対照として現れる。

1.2 なぜ今か

実行可能な検証が到来した。 2025年、この領域の検証は依然としてモデル判定者と手作業による検査に依存していたが、2026年にはコンパイラ、アサーション、実行時状態をゲームエンジンに持ち込む一群のベンチマークが登場した。Godotユニットテスト[136]、ティックレベルの状態アサーション[43]、UnrealにおけるPIE自動アサーション[34][29]、Robloxにおけるエディタ状態と実行時チェック[69]である。これにより「客観的に合格する割合」が初めて報告可能な量となり、以前は寛容なチェッカーが覆い隠していたギャップが露呈した。

エージェントのワークフローは、エンドツーエンドの生成から構造化パイプラインへと移行した。 初期のアプローチは1つのプロンプトと1つのプレイ可能なミニゲームであったが、2025年以降の主流は中間表現（テンプレートライブラリ、ブループリント、SPEC、レターマトリクス、JSONプラン）を挿入し、各段階の境界で検証を前倒しするようになった[16][42][108]。

エンジン内ツールが開放された。 MCPとエディタAPIにより、エージェントはUnity、Unreal、Blender、Godotを直接操作できるようになり[51][107][42][77]、生産性に関する言説に検証可能な指し示す先が与えられた。

コストが報告され始めた。 2026年の論文は品質と並べてコストとレイテンシ（ラウンドあたりのコスト、アクションあたりの秒数、VRAM使用量）を報告しており[44][56][201]、「これは日常の制作現場に入り得るか」を議論可能な問いにしている。

1.3 本サーベイの貢献

本サーベイは論文のリストではなく、検証可能な4つの成果を提供する。第一に、再利用可能な整理軸（タスク面 × 環境面 × 検証器）と共有された形式記法であり、これにより異なる環境のシステムを同一の土台で比較できる。第二に、検証器を第一級の比較次元とすることであり、各章は同じ一群の成果物が異なる検証器の下でどのような結論をもたらすかを、ベンチマーク間で比較するための境界条件とともに報告する。第三に、210本の論文を読解深度と引用階層によって段階的に扱うこと（112本は全文の該当節を精読、98本はアブストラクト水準）であり、これにより数値を伴うすべての主張を実際に読んだ節へ遡ることができる。第四に、5つの証拠ギャップ（薄い4つの分支——UI、カットシーン、音声、デザイン発想——および欠陥実験が圧倒的に注入によるものであるという事実）を明示することであり、それぞれを検証可能な未解決問題として記述する。

1.4 スコープ

時間枠はv1の投稿日が2025-01-01以降（改訂版は日付判定に用いない）であり、検索は2026-10-13までに実行した。コーパスは13の検索経路（6つのキーワードフィルタ、3つの意味検索、3つの情報源・カテゴリ制限経路、1つの引用拡張）の和集合であり、2ラウンドのAIスクリーニングと2ラウンドの手動バイアス補正を経て210本のコア論文を含む。包含基準は「ゲーム制作をエージェントを中心に組織する研究」であり、これは出力がゲーム内で使用可能であっても、単独の生成モデルは除外されることを意味する（ゲーム制作パイプラインの内部に明示的に位置する場合に限り、補助的証拠として保持される）。アートおよび3Dアセットの分支も同じ規則に従う。LL3MやShapeCraftのようなアセット生成研究は、ゲーム制作研究によって引用されるか、その中で評価される場合にのみ対象となる。経路の完全なリスト、件数、却下事例は付録Aにある。

図1　本調査の構成。第4〜9章が議論を担い、各章は「タスク面 × 環境面 × 検証器」を通じて自らの系統を語る。第10章は論争の両側にある証拠を並置し、第11〜12章はリソースと応用を扱い、第13〜14章は未解決問題と結論に収束する。

1.5 読むルート

一つの具体的な問いに関心がある場合：「自分のエージェントが生成したゲームは実際に使えるのか」と問うなら、第9章（ベンチマークと評価）と10.1節（実行可能であることは正しいことを意味しない）から始めるとよい。「設計文書から実行可能なプロジェクトまで何ステップか」と問うなら、第4章を読むとよい。あるコンテンツ種別（レベル、アセット、ナラティブ、音声）の自動化が成熟しているかを判断するなら、第5章の該当する小節をその薄い証拠に関する注意書きと併せて読むとよい。エージェントを自分のプロジェクトに統合するなら、第2章の検証器ラダーと第11章のリソースの利用可能性を読むとよい。

2 予備知識：ゲーム制作をエージェント問題として書き表す

2.1 制作側における問題定義

ゲーム制作は制約付き生成問題として書き表せる。すなわち、タスク記述$T$（自然言語、設計文書、参照画像、またはピクセル入力）、反復予算$K$（ステップ数、実時間、呼び出しコスト）、および実行可能な環境$E$（サンドボックス、ブラウザ、Unity、Unreal、Blender、または商用ゲームのピクセル層）が与えられたとき、エージェントは一連の行動$A$を通じて成果物$D$を生成し、検証器$V$が各ラウンドでその試行が合格するかどうかを判定する。これが一般的なソフトウェア工学と異なる点は三つある。成果物がしばしばバイナリアセットである（レベルファイル、シーン、テクスチャ、音声）ため、その正しさをテキストだけから判断できないこと。環境がしばしば完全にはリセットできない（UnityやUnrealのプロジェクトをコンパイルして実行するコストは、ユニットテストよりもはるかに大きい）こと。そして「正しい」自体が二つの層——実行可能性と設計意図——を持ち、両者の間に自動的な橋渡しが存在しないこと、である（証拠は第4章と第10章に示す）。

2.2 記法と四つの基準

以下の記法は全体を通じて用いる。システムから特定の数値を引用する際には、必ずその環境面と検証器の種類も併記する。そうでなければ、その数値は相互比較に投入しない。この記法の目的は、二つの事柄を別々に述べられるようにすることにある。すなわち、同じタスクが異なる環境でどれだけ難しくなるか、そして同じ一群の成果物が異なる検証器の下でどれだけ異なって判定されるか、である。

表1　本調査全体で用いる記法。後で引用するすべての数値には、その環境面と検証器の種類が併記される。$V$の行は下の表で展開する。

報告されたスコアが何を測定しているかを区別する4つの基準があり、全体を通じて再利用される：実行可能性（クラッシュせずにコンパイル、起動、実行できるか）、仕様遵守（タスク記述が求める振る舞いを実装しているか、通常はアサーションやパースレベルの整合性で測定される）、プレイアビリティ（ゲームを完了できるか、メカニクスが成立しているか）、ユーザビリティ（アート、UI、オーディオ、ナラティブが提供可能な品質に達しているか）。これらの基準に対して利用可能な計測手段は、この順に弱くなる：最初の2つには客観的な計測手段があり、3つ目は部分的に、4つ目は現在ほぼ完全に人間またはモデル審査員に依存している。

検証器のはしご（V0–V6） — 本サーベイはこれを用いて、あらゆる証拠の信頼性の境界を示す。高いレベルほどより客観的で再現性が高いが、より狭い：V6は条件として記述できる行動ロジックしか主張できない。

表2　V0–V6検証器のはしご。高いレベルほどより客観的で再現性が高いが、より狭い。検証器のレベルは、それが生み出す証拠の信頼性の境界を示す。

図2　制作ループ。6本の主要ラインはそれぞれこのループのインスタンスとして記述でき、ラインの違いは主にタスクの分解方法と選択する検証器にある。

2.3 開発タイムライン

以下の図は日付と代表的な研究を示す。日付はv1投稿時刻であり、手法の順序を示すために用いられ、優先権を主張するものではない。

図3　制作側のマイルストーン（v1投稿日順）。図は手法が現れた順序を示すものであり、優先権を主張するものではない。

2.4 既存のサーベイとの関係

表3　関連調査との比較。採録基準：ゲーム×生成AIに直接関する調査論文で、対象範囲を明示しているもの。比較可能性の限界：締め切り、言語、採録基準が異なり、「関係」列は本調査の判断である。

要点

• 制作側と体験側はモデルを共有するが基準は共有しない。制作側は、成果物がエンジン内で使用可能であり仕様に忠実であるかどうかを問う[209][204]。
• 共通の形式化は各研究を$(T, E, A, V, K, D)$として記述する。本調査のすべての比較はこの基盤の上で行われる。
• 検証器はV0～V6で格付けされる。高次のレベルほど客観的だが適用範囲は狭く、以降で引用されるすべての数値にはその検証器レベルが付される。
• タイムラインは、2025年から2026年にかけて重心が「エンドツーエンド生成」から「構造化パイプライン＋実行可能な検証」へ移行していることを示す[148][69][43]。

3 分類体系：タスク面、環境面、検証器

3.1 なぜこの三軸なのか

この分野を分類する通常の方法は、応用（レベル、アセット、音声など）によるか、技術（マルチエージェント、RL、ファインチューニング）によるかである。どちらにも同じ副作用がある。すなわち、環境と検証器を隠してしまうのだ。しかし第4章から第9章にかけての項目ごとの比較は、同じタスクがUnityとテキストサンドボックスの間では比較できないこと、また同じ一群の成果物が異なる検証器の下では異なる結論を生むことを繰り返し示している。ここで何かを比較するための前提は、これら三つを別々に明示することである。

タスク面は、基準をどれだけ強くできるかを固定する。コードやエンジニアリング成果物は本質的に実行可能であるため、「仕様に一致するか」をアサーションとして書けるが、アート、カットシーン、音声の成果物にはそのような足がかりがない（第5章）。環境面は、反復コストとリセット可能性を固定する。テキストサンドボックスでは失敗のコストはスクリプトの再実行一回分だが、UnrealではコンパイルとPIE起動のコストがかかる[34][29]。検証器は、数値が何を意味するかを固定する。V0～V2のスコアとV4～V6の合格率は同じ種類の量ではない（第9章で一群の成果物について比較を示す）。三軸に加えて、本調査は重要な箇所で二つの副次軸を加える。すなわち中間表現が挿入されるかと作業がエージェント間に分割されるかである。これらは章をまたぐ共通の技術的方策であるためだが、それ自体がタスクの範疇を定義するわけではない。

3.2 分類木

図はここで用いる分類体系と、各葉ノードの代表的研究を示す（番号は参考文献を指す）。これは記述の順序であり、順位付けではない。単一の研究が複数の葉に属することがある（MAGICはコードのエンジン内ワークフローとエンジニアリング、およびレベルとワールド生成の両方に位置し、MIMICはテストと人間-AI協調研究の両方に位置する）。各重複は付録Bに記録している。

図4　分類木：6つの主枝と各葉の代表的研究。括弧外の番号は参考文献番号である。葉は重複しており、付録Bにその重複を記録している。

要点

• 分類体系は応用や技術的学派ではなく、タスク面 × 環境面 × 検証器によって組織されている。
• 各軸はそれぞれ一つの役割を担う。タスク面は基準の強さを定め、環境面は反復コストを定め、検証器は数値の意味を定める。
• 「中間表現を挿入するかどうか」と「作業をエージェント間に分割するかどうか」は葉をまたぐ共通の技術的方策であり、第4〜9章で叙述する。

4 コードとエンジニアリング：ゲーム全体の生成からエンジン内ワークフローまで

図5　第4章のサブツリー。3つのタスク種別は図2のループを共有するが、検証器がコンパイル、実行時、人間による採点のいずれに着地するかが異なる。

4.1 ゲーム全体とプロジェクトレベルの生成

この枝は、プレイ可能なプロジェクトを端から端まで生成できるかという問いから始まる。初期の答えはモデルにコードを直接出力させたが、まもなく3種類の失敗が明らかになった。不安定なプロジェクト骨格、壊れたファイル間依存、そして実行はできるがメカニクスが成立しない成果物である。2025年以降の転換はエンジニアリング構造を前倒しで組み込むことであった。まずテンプレート、スキルライブラリ、中間表現を構築し、その後でエージェントに構造を埋めさせた。

OpenGame [100] はその転換を最も完全に実現している。ワンショット生成を、進化可能なGame Skillに置き換える。安定したプロジェクト骨格を維持するTemplate Skillと、繰り返し生じる実行失敗を「エラーシグネチャ → 根本原因 → 検証済み修正」というデバッグプロトコルへ一般化するDebug Skillであり、継続事前学習・教師ありファインチューニング・検証可能報酬からの強化学習によってGameCoder-27Bを訓練する。Phaser 3とヘッドレスブラウザの環境で、メカニクス充足度72.4、視覚的ユーザビリティ67.2、総合65.1を記録し、最強のCursor + Sonnet 4.6の組み合わせ（66.8、61.4、58.9）を上回る。著者らはまた、重み付きメカニクス要件の34.9%が未充足のままであり、ストラテジーやパズルのような抽象的なジャンルでは劣化が顕著であることも報告している（V1/V4混合検証）。Code2Games [107] は別の道を取る。4つの専門エージェントが「シーン–ゲームプレイ表現」を維持し、修正を対応する記録が覆う局所範囲に限定することで、Unreal Engine 5上でビルド成功率を97.7%に高め（最強ベースラインは94.2%）、15指標のうち12で同一バックボーンのベースラインを上回る。報告されている差は、Blenderからエンジンへの視覚的忠実度と、判定器が評価対象モデルと同一系列を共有している点である。

図6　OpenGame [100]のフレームワーク（原図2より再掲）。左側はコードモデルの継続的事前学習、ファインチューニング、検証可能報酬訓練。中央は自己修正ループを備えた6段階のエージェントワークフロー。右側はTemplate SkillとDebug Skillによって形成される進化メカニズム。

改善の第二の系統は、検証をゲームプレイ層まで引き下げる。Play2Code [49]は、人間のプレイヤーと同じレンダリング済みインターフェースを共有するGUIエージェントを用い、プレイサマリーと修正リストを生成する。PlayCoder [109]は行動テスト用のPlayTesterを追加する。RSIGame [96]はグローバルな品質監視と飽和制御を追加する。Recursive Game Creator [63]は、プログラムの正しさをプレイヤー選好に置き換えて最適化目標とし、コーディングネイティブなPlayerを用いて高頻度で再現可能なプレイテストを行う。一方、[95]は同じ発想の変種であり、メカニクスの創造性を狙ったものである。ここでの利得は直接的である。すなわち、基準を「動作する」から「プレイ可能である」へと引き上げる。その代償は第9章の主題である。採点者自体がモデルであり、モデルによる判定は系統的に甘くなる。

第三の系統は、レンダリング批評を決定論的チェックに置き換える。SimWorlds [42]は「レンダリング→VLM批評→コード編集」というループを明示的に否定し、固定されたステージ順序と決定論的プロトコルバリデータ（連結性、ジオメトリ、可視性、道路、地形などの規則）を採用し、Blender 5.1環境において4DBuildBenchの多段階合格率をVIGAの0.67から0.87へと引き上げた。AutoUE [51]はコンパイラとPIEランタイムのプレイテストをそのままゲートとして用いる。AutoUEのアブレーションは特に記録に値する。コードテンプレートとエンジン制約を取り除くと、コンパイル成功はゼロに崩壊する（MCS = 0）。これは、エンジニアリング課題における今日の高いコンパイル成功率の相当部分が、モデルのエンジニアリング理解ではなくスキャフォールドの成果であることを示している。

図7　AutoUE [51]のマルチエージェントフレームワーク（原図2より再掲）。上から下へ：モデル検索エージェント（858Kモデルの埋め込みライブラリとtop-k再ランキング）、シーン生成エージェント（PCGグラフ計画、RAGベースのノード仕様、エンジンへのMCP呼び出し）、ゲームプレイコードエージェント（設計意図、依存モジュール、コードテンプレート、エンジン制約をトポロジカルソートしてUE C++モジュール化）、インタラクティブオブジェクトエージェント、自動プレイテストエージェント。

表4　ゲーム全体およびプロジェクトレベルの生成システム。包含規則：出力が実行可能なプロジェクトまたは複数ファイルプロジェクトであり、検証可能な結果が報告されていること。単位と設定が異なるため、行間比較は同一検証器レベルの内でのみ行い、V0とV6の行は直接比較できない。

4.2 エンジン内ワークフローと中間表現

前節の戦場が「プロジェクトを生成する」ことであったなら、ここでの戦場は「他者のエンジンの中で作業する」ことである。違いは、操作が不可逆であるという点にある。無意味なコンパイルや誤ったアセット参照は、知覚可能な時間を消費する。したがって、この分枝に共通する方策は、不可逆な操作を中間表現の背後に置くことであり、エージェントにプロジェクトを読ませることである。

MAGIC [92]は、マルチシーンレベルを遷移認識オートマトンとして記述し、テンプレート化スクリプトを通じてそれを着地させ、連結性を受理基準として用いることで、Unityにおける実行可能プロジェクトをベースラインの0%から100%へと引き上げる。Unity Insight [77]は問題の別の側面に取り組む。すなわち、エージェントは既存プロジェクト内でコードとアセットの対応関係を見つけられないため、本番プロジェクトをコード–アセット融合グラフへとインデックス化し、検索タスクにおいてトークン数53.4%減、実時間51.6%減を報告する。Real-Time World Crafting [187]は、LLMの出力をエンジンに到達する前に専用のJSON DSLへと制約し、「解析可能」を「実行可能」と引き換える。GAMEGO [123]はエンジン内の開発トレースを逆方向に、すなわち訓練データとして用いる。実アセットに anchored された合成トラジェクトリ上でゲーム開発エージェントを訓練するのであり、この路線は第6章で検証可能なトラジェクトリデータエンジンとして再登場する。

総合すると、これらの研究は一つのことを示している。エンジン内タスクの主な難しさは生成ではなく、制約の可視性にある。 AutoUEのアブレーション（テンプレートなし、コンパイルなし）[51]とUnity Insightの改善は同じ結論を指し示している（私の推論：両者とも探索空間のコストを圧縮するが、測っているものが異なるため、単純に足し合わせることはできない）。

4.3 設計文書から実行可能なプロトタイプへ

GDDや仕様書から実行可能なプロジェクトへ進むことは、本章で最も制作に近い区間であり、同時にそのギャップを最も明確に露呈する区間でもある。Automated Unity Game Template [162]は、対になる（GDD、Unity C#）データでLLaMA-3-8Bをファインチューニングし、3種類のゲームと4次元の平均で4.8/5.0を記録するが、最強の汎用ベースライン（LLaMA 4 Maverick）は4.7に達する——差は0.1であり、スコアは3名の開発者が手作業で付けたもので、コンパイル成功もまた手作業で判定されているため、その結論の強さはV0にとどまる。

Spec2Game [148]は、「コンパイルが通る」と「仕様を実装している」を真に区別する研究である。実行フィードバックを意図的に無効化し、チェックポイントレベルの仕様-実装スコアリングと9つの統制されたルール変種を用いて丸暗記を抑制し、150タスクにわたるCore-15の合計値39.11〜77.27を得ている（Claude Sonnet 5が最高）。ここで重要なのは3つの数値である。630の候補のうち387が6つの決定論的チェックすべてに合格し（V4/V5）、そのうち87はテキスト判定で依然60未満である。そして「ゲーム要素のモデリング」の平均（80.8）は「ルールとメカニクス」（45.6）や「目標と終了条件」（44.0）を大きく上回る。言い換えれば、モデルは絵を作るのは得意だが、ルールを正しくするのは苦手である。

図8　Spec2Game [148]のプロトコル（原論文の図1から再掲）。左上：15のゲームファミリー×10の変種で150の仕様を得る。右上：生成と実行の証拠（ログ、状態トレース、スクリーンショット）。下段：4つの評価次元 D1 決定論的実行可能性／D2 機能的正しさ／D3 コード品質／D4 視覚・インタラクション体験。D1は連続する段階を採点し、D4は3つのサブスコアを正規化する。

同じ線上にはいくつかの相補的なアプローチが並ぶ。木探索と言語モデルを組み合わせて解ける小さなゲームを生成するもの[25]、プロフェッショナルなエンジン上のプロジェクトレベルのコードフレームワークをデータセットとベンチマークに変えるもの（JAMER [58]）、「設計仕様からゲームへ」の忠実度を直接評価するもの（A2Z GameSpec-Bench [50]）、そして音声・映像の記録を証拠として用いるマルチエージェント生成と評価[79]である。共通するのは、いずれも「成果物は仕様からどれだけ離れているか」に答えるということであり、一方で仕様の粒度はそれぞれ異なる——だからこそ10.1節ではこの一群の証拠を並置している。

要点

• 工学成果物は6分野のうち唯一、客観的な合格率を持つ分野である。環境が実行可能であり、基準をアサーションとして記述できるからである [43][69]。
• 高いコンパイル率は部分的にはスキャフォールドの成果である。コードテンプレートとエンジン制約を取り除くと、AutoUEはまったくコンパイルできなくなる [51]。
• 「コンパイルが通る」ことと「仕様を実装する」ことは乖離する。Spec2Gameでは630候補のうち387がすべての決定論的チェックに合格する一方、そのうち87は仕様実装のスコアが60未満のままである [148]。
• プレイヤー（プレイテストを行うGUIエージェント）に対して検証することが主流の手法となったが、その代償としてスコアラー自身がモデルである。その寛容さは[113]で定量化されている。

5 コンテンツ制作：6つのサブ領域に共通するパターンと共通するギャップ

図9　第5章のサブツリー。6つの葉はどの仲介表現を挿入するかで異なるが、いずれも「ゲームに使える成果物」に対する受け入れ基準を持っていない。

6つの葉すべてに通底する技術的な糸が一本あり、まずそれを述べておく価値がある。コンテンツ制作システムはほぼすべて、仲介表現を挿入することで制御可能性を得ている——レベルならレイアウトファイルとシーン位相、アセットなら構築プログラム、UIならSPEC、カットシーンならモジュールタイムライン、音声なら話者プロファイル、ナラティブなら知識木である。仲介表現は「見た目」と「構造」を分離し、構造を検査・編集・再利用できるようにする。この記述は著者ら自身が論文で主張していることである。項目ごとに比較して、私は一つの推論を付け加える。6つの葉が仲介表現を選ぶ理由はそれぞれ異なり（レベルは制御可能なレイアウトを、アセットは物理的な使用可能性を、UIは再利用性を、音声は検査可能性を、ナラティブはリークの防止を求める）、したがって「正しさ」の定義も異なる——だからこそ葉をまたいだ方法論の転用は依然として稀なのである（私の推論。5.7節で展開する）。

5.1 レベルと世界：「もっともらしく描画される」から「構造的に通行可能」へ

初期の世界生成はシーン全体を一枚の画像として生成し、問題はすぐに続いた。もっともらしく見えるのに、その中を歩いて通れないのである。2026年以降の主流は、作業を意味論 → レイアウト → アセットに分割し、各段階の間にゲートを置く。

World Craft [16]は、その分割の代表的な実装である。World Guildが意味的拡張、レイアウト生成と洗練、アセット合成を担い、World ScaffoldがレイアウトをGodotプロジェクトとして着地させる（床レイヤーはナビゲーションマップをベイクし、壁レイヤーは向きに応じて自動配置され、オブジェクトレイヤーは2Dと3Dを区別し、NPCレイヤーは移動と対話を処理する）。アセット側には5,500以上のアセットライブラリが付属する。16種類のタスクで、視覚的忠実度0.5279（ベースライン0.4193）と終端状態61.6%（53.3%）を報告しており、「構造的多様性」がモデル審査員の選好の主な source である。著者ら自身も、組み合わせ能力の限界と外部アセットライブラリへの依存を指摘している。WorldCraft [134]は階層的に生成する。すなわち、まずレイアウト、次に詳細であり、8視点のレンダリング批評でループを閉じ、意味的整合性が17%向上し、完了率が70%から90%に上昇したと報告している（V2/V3の混合検証）。IVIE [108]は可解性に重点を置く。スキーマ、12クラスの初期条件、9クラスの目標条件、そして45の可解性実現（塞がれた通路、パズル、キーロックなど）がテキスト世界を制約し、30のゲームで検証されている。また、否定的な結果も公表している。すなわち、現在のLLMは「適応的」書き換え[107]において性能が低い。3Dアセット側に近いところでは、LatticeWorld [14]が3Dガウシアンスプラッティングをレンダリングの担体として用い、「データアラインメント」によってポリシーモデルを訓練し、有界ポリシー損失$0.0699 \pm 0.0002$を用いてレンダリングを物理と整合させ、その代償として視覚品質に約15%の目に見える損失がある（V5/V2）。

同じ系列には、特定のサブタスクを狙った研究がある。ボクセル世界向けのWorldClaw [76]、視点整合性を主要目的とするPersistent Worlds [185]、再現可能な評価を重視するストリーミング生成[200]、デュアルエージェント構造によるゼロショット3Dマップ生成[21]、物語からの2Dシーン生成[181]、Minecraftレベルの直接生成[182]、編集可能な3D世界に向けた生成[192]である。それらの共通の貢献は、「世界」を動画クリップから繰り返し入ることのできるオブジェクトへと変えることにある。共通の未解決問題は5.7節にある。

図10　World CraftにおけるWorld GuildとWorld Scaffold [16]（原図2より転載）。左半分は意味的拡張、レイアウト生成と洗練（ManagerとCriticが数ラウンド反復してレイアウトファイルを生成する）、およびアセット合成を扱う。右半分は床、壁、オブジェクト、NPCの各レイヤーとそれらのツールを扱い、最終的にGodotに至る。

図11　IVIEの生成フロー[108]（原図1より転載）。Adventure Core → World Structure → World Materialization → Challengesであり、各段階の後に検証ゲートがある。プレイヤーのプレイトレースはデータベースに還流し、次の生成または継続に情報を与える。

5.2 アセット：「メッシュを生成する」から「使用可能な構築プログラムを生成する」へ

アセット分支の転換点は、地味だが効果的な答えを受け入れたことだった。モデルにメッシュを出力させるのではなく、構築スクリプトを出力させ、ジオメトリをパラメトリックツールに、物理をシミュレータに委ねるのである。

Nova3D [206] はその路線の最も徹底した版である。モデルが Blender 構築プログラムを生成し、実行エンジンがそれを編集可能なアセットに変換する。著者らは、54 個のアセットすべてが実行可能なプログラムを生成したこと、Blender の実行時間は約 7〜11 秒でサイズは制御されていること（最大 38,000 面）、59 個の関節のうち 58 個が幾何学的に妥当であること（関節の幾何学的妥当性 98.3%）、AABB 整合性 8/8、サイズ誤差 1.6%、質量誤差 9.6% であること、そしてゲームのケーススタディではモデリングコストが大幅に低下したこと（V4/V5 に加え人間によるスポットチェック）を報告している。Artisan [6] はユーザビリティのもう半分、すなわち「見た目が正しく、動かしたときに交差する」関節付きアセットに取り組む。物理レポートをループに取り込み、レンダリング批評を二つの厳格な指標——運動下での衝突と重力下での安定性——に置き換え、失敗率を 67%〜74% から 1.7%〜13.0% に削減した。ジオメトリ編集には OpenSCAD を、物理には MuJoCo を用いており、これが V4/V5 の検証となっている。Articraft [40] は構造を手続き的アセットツリーとして明示化し、中央値の選好率が 78.6%/78.3% から 93.2%/90.4% に上昇したと報告している（V0、非専門家および専門家）。LL3M [35] は生成が常に修復に回す自動リギングに焦点を当て、ShapeCraft [11] はプリミティブ階層を通じてジオメトリを組織化する。同じ方向性からは、ゲームコンテンツ制作のためのマルチモーダル多視点データセット [142] や、制御性を狙った環境デザインのプロンプティング手法 [174] も生まれている。より一般的なテキストから 3D への生成は本サーベイの範囲外であり、技術的前提としてのみ現れる（包含規則は付録 A）。

図 12　Artisan [6] の四段階パイプライン（原論文の図 2 から再掲）。Design Agent がブループリントとデザインボード（正投影図、分解組立図、運動学、断面図）を生成し、Coding Agent がモデルをプログラムとして編集し検査用にレンダリングし、Physical Validation が「運動下での衝突」と「重力下での安定性」の両方のレポートを返し、Review Agent がルーブリックに照らして採点し問題点を列挙する。

この分支の証拠は他のコンテンツ葉よりも著しく強固である。基準が外観ではなく幾何学的・物理的量に置かれている。それゆえ「構築プログラムを生成し、物理シミュレーションで検証する」が現在最も移植可能なテンプレートとなっている——それはコンテンツ制作の問題を実行可能な問題に変える（筆者の推論であり、論文自体は各自の設定内での改善のみを報告している）。

5.3 UI：デザイン意図を編集可能な仕様へ凍結する

UI 分支の難しさは、UI が機能とスタイルの両方によって制約され、しかもスタイルは断言に抗する点にある。SpecifyUI の [125] の答えは、まずインターフェースを SPEC として記述し（領域レベルの仕様に加え、色・形状・レイアウト・目標といったデザイン仕様）、次に検索拡張生成を用いて SPEC–UI コードデータベースから最近傍を再利用し、最後にコンパイル・デバッグエージェントを通じて着地させることである。著者らは、ファインチューニングしたモデルで総合 12.43 対 GPT-5 の 9.87 を報告し、参照画像の再利用設定では明確な優位を示している。SPRITE [177] はより小さな単位——アイコンとスプライト——を扱い、GameUIAgent [36] は作業をエージェント間に分割して設計から自動プロトタイピングまでをカバーする。UI 分支は論文 3 本を擁し、本章で最も薄い葉の一つであり、三本のいずれも「アートスタイルは納品可能か」という基準を報告していない（このギャップは 5.7 節にある）。

図13　SpecifyUIのフロー[125]（原論文のFigure 1より再掲）。左上はプロンプトと参照ページから領域レベルのSPECと設計仕様を抽出する。左下はSPEC編集ループ。右側のUI生成器は、検索を埋め込むことで隣接コードを再利用し、デバッグエージェントが修復した後に出力をコンパイルする。

5.4 カットシーンと音声：生成品質を論じる前に検証可能な中間オブジェクトを構築する

カットシーン分岐に共通する方針は、カメラとイベントをまず検証可能なタイムラインとして記述し、それを生成モデルに渡すことである。MapStory[15]は、ユーザーコマンドをモジュール列（カメラ、ハイライト、アニメーション要素）に分解し、次に研究者エージェントが地理データとモジュール動作を取得してタイムラインを生成する。著者らは、8名の地図アニメーション専門家による評価において手作業が大幅に削減されたと報告している（V0）。Cutscene Agent[71]は作業を二つに分ける。すなわち実行可能なカメラ列と、BEARDに基づくタイムラインモデルであり、曲線サンプルは正解タイムラインから28.6%逸脱し（ベースライン53.35%）、生成あたり約6分である（V5と人手レビュー）。アニメーション列に近い研究としては、長いアニメーションを適応的なマルチエージェント計画に分解するものがある[137]。最初の二論文はいずれも、商用ツールとのエンドツーエンドの比較を行っていないことを認めている。カットシーン分岐には5本の論文があるが、カットシーンがリリース品質に達するかどうかの基準を報告したものは一つもない。

図14　MapStoryのフロー[15]（原論文のFigure 1より再掲）。左ではScene Breakdown Agentがクエリ推論、モジュール選択、タイミングを行う。中央ではMap Animation Researcherが地理データを取得しパラメータを選択する。右ではタイムライン列を生成し、ユーザーが直接操作することもできる。

音声分岐はカットシーンよりも明確に分岐している。一方の陣営はトラック全体の生成を行う。Audio-Oscar[32]はLLM推論と生成モデルを組み合わせ、信号対雑音比などの音質指標で49.4%に達する（ベースライン23.2%）。もう一方の陣営は分割パイプラインを構築する。AuDirector[55]は音声、効果音、BGM、およびミキシングを異なるエージェントに割り当て、三つの段階すべてに人手介入点を残す。SoundscapeAgent[117]は環境音を対象とする。特に示唆的な対比は、ゲームにおけるプロシージャル音楽のサーベイ[145]から得られる。すなわち、商用の音楽システムはほぼ完全にルールベースであり、文献の生成手法が製品に到達することはまれであるという知見は、本サーベイの音声分岐における証拠の薄さを裏付けている。音声分岐には7本の論文があるが、そのいずれもゲーム音声ミドルウェア（FMOD/Wwiseなど）と接続しておらず、実プロジェクトでの統合を報告していない。本サーベイの読み方では、これはスコアが十分に高くないことよりも本質的なギャップである。

図15　AuDirectorの三相構造[55]（原論文のFigure 1より再掲）。フェーズ1はアイデンティティを考慮したプリプロダクションである（ディレクターエージェントとキャスティングエージェントが、音声ライブラリ上の意味検索によって声質を確定する）。フェーズ2は協調的な合成と修正である（音声と、効果音およびBGMが並行して実行され、Critic Agentが表現力または意味的整合性を評価し、失敗時にはロールバックする）。フェーズ3は人間主導の洗練であり、段階ごとに的を絞った編集指示を与える。

5.5 ナラティブとクエストテキスト：エージェントに知るべきでないことを言わせない

上記のテキストを日本語に翻訳してください。すべての文を日本語で書き、途中で他の言語に切り替えないでください。

ナラティブ分岐は当初、テキストが優れているかどうかを重視し、2025～2026年にはテキストがゲームの状態制約に違反しているかどうかへと関心を移した。SKT [98] は、検出・分析・対話という3つの特化モデルを備えた構造化知識ツリーを維持し、「誰が何を知っているか」をそのツリー上の到達可能性として書き表し、ハルシネーションが17.80%から6.27%に低下したと報告している（V5。判定者は同族のモデルであり、第9章の寛容性の問題を参照）。SNAP [62] はさらに進んでおり、物語知識グラフを用いることで、「知らない」ことはプロンプト内の文言の問題ではなく構造的性質となり、ある時点であるキャラクターが事実を述べ得なかったことを示せる（V3/V5）。Drama Llama [184] は劇的緊張の曲線を対象とし、2つの設定で緊張一致率16.4%および32.4%を報告している（V0、専門家レビュー）。Dramamancer [39] はストーリーアーク遵守率を28.9%から65.6%に向上させる。Quest-Line [103] はクエストラインを対象とし、合格率92.3%（ベースライン50%）を報告している。NarrativeSteward [18] は長期にわたるナラティブの一貫性を扱う。この分岐の基準は「読み物として優れているか」から「構造と状態において一貫しているか」へと移りつつあるが、その移行は不完全である。上記の構造的一貫性の結果はすべて同族モデルまたはルールチェッカーによって判定されており、プレイヤー側の理解しやすさと結びつけた者はいまだにいない。

図16　SKT [98] のアーキテクチャ（原論文の図3から転載）。左側は同じプレイヤーの質問を処理する検出・分析・対話の各モデル、右側は作者が維持する構造化知識ツリーであり、白いノードは現在開示が許可されている事実、灰色のノードは開示が制限されている事実（例えば「彼はレイチェルについて知らない」）である。

5.6 6つのリーフの並列比較

表5　6つのコンテンツ制作リーフの並列比較。採用規則：成果物がゲーム制作パイプラインにおけるコンテンツ項目であること。「主要数値」は原報告のままであり、検証者レベルが異なるため行間で比較可能ではない。単位と設定は該当する節に記載されている。

5.7 共通のギャップ

並べてみると、6つのリーフは結果よりもギャップにおいて一致している。第一に、ゲーム ready な成果物に対する受け入れ基準が存在しない。 6つすべてが独自の代理指標（忠実度、幾何学的妥当性、コンパイル成功率、タイムライン偏差、信号対雑音比、ハルシネーション率）を報告しているが、「このアートをそのままビルドに投入できるか」「この音声をそのままプロジェクトにミックスできるか」という形式の納品基準は一つもない。Artisanの物理レポートが最も近いが、それは剛体力学のみをカバーしている [6]。第二に、中間表現間の橋渡しが構築されていない。 レベルレイアウト、アセット構築プログラム、UI SPEC、カットシーンタイムライン、音声ステム、ナラティブ知識ツリーはそれぞれ独自の構造と検証を定義しており、それらを相互参照すること——たとえば、レイアウトファイルがアセットの物理パラメータを直接制約すること——は文献では稀である。現実の制作では毎日行われていることではあるが（私の推論。どのリーフも他のリーフの中間表現を引用していないという観察に基づく）。第三に、4つの薄いリーフ（UI 3、カットシーン 5、音声 7、デザイン発想 7。うち最初の3つは本章に属する）が薄いのは、問題がより難しいからではなく、より説得力のある説明としては、公正な基準を欠いているからである——基準がアサーションとして記述できれば、アセットの周りに素早く作業が集まったのと同じ速さで、その周りに作業が集まる（私の推論）。

要点

• 6つのリーフはすべて中間表現を挿入することで制御可能性を獲得しているが、その動機と「正しさ」の定義が異なるため、手法が転用されることは稀である。
• アセット分支は最も強い証拠を持つ。外観を幾何学と物理学に引き換えているからである。Nova3Dの58/59関節、Artisanの1.7%–13.0%の衝突率 [206][6]。
• レベル分支は「もっともらしくレンダリングされる」から「構造的に踏破可能」へと移行した。連結性、歩行可能性、到達可能な終端状態で判定される [16][134][108]。
• UI、カットシーン、音声には納品指向の基準がまったくなく、音声分支はゲーム音声ミドルウェアに触れていない [125][71][55]。
• ナラティブ分支は「うまく読めるか」から「構造と状態において一貫しているか」へと移行したが、判定者は依然として同系列のモデルである [98][62]。

6 生成的世界モデル：「世界」は状態のどちら側に住むのか

図17　第6章のサブツリー。3つの立場はモデル能力についてではなく、世界状態がどこに住み、誰がそれを判定するかについて意見が分かれている。

世界モデルが本サーベイに入るのはレンダリング技術のためではなく、ある種の制作問題の形を変えるからである。繰り返し入ることができ、その状態をアサートできる世界は、それ自体がレベル、テスト、コンテンツの担体となる。本章は、一つの問いに対して互いに相容れない答えを与える3つの立場によって構成されている。世界状態はピクセルの中に住むべきか、それともその外に住むべきか？

6.1 世界としてのピクセル

このキャンプは、生成された動画を世界そのものとして扱う。モデルがフレームごとに生成し、プレイヤーの行動が後続のフレームを変化させ、世界状態は明示的に表現されない。GameFactory [210] は2025年前半の代表例である。生成的なインタラクティブ動画で「新しいゲーム」を作り、ゲーム1本あたり約208時間の作業を、5人の人間による評価のもとで約25.4時間（V0）に短縮したと報告している。この種の研究の価値提案は「アセットもエンジンも不要」である。その代償は、何も断言できないことである。状態表現がなければ「HPがゼロに達する」といった検証対象は存在せず、キャラクターが連続20フレーム以内に変化するかどうかしか測れない（[207] はまさにこの違いを評価に変え、連続20フレーム以内のキャラクター変化率77.1%を報告する一方、Pass@1と競技ランキングの相関は$\rho = 0.23$にすぎない）。IGV系の研究は結果ではなくロードマップを示す [204]。生成ゲームエンジンを成熟度で格付けし、現段階は「デモでは遊べるが、長時間セッションでは動かせない」と明言している。

6.2 状態とレンダリングの分離

分離派は世界状態を明示的な表現（コード、オブジェクトリスト、点群）に書き込み、レンダリングモデルには映像だけを担わせる。Programmable World Model [66] は、この路線の現在最も明確な実装である。世界プログラムはルールをコードで表現し（ヒットで体力を減じ、体力ゼロでキャラクターが倒れ、勝敗条件を定める）、実行時にはAABB衝突判定を用いて「自分の予測は正しいか」を検証し、レンダリング側はメモリ拡張アテンションを備えたDiTでブロック単位に生成する。そのメモリは現在のブロック、短期履歴、長期履歴に分かれている。著者らは同一タスクにおいて、世界状態の正確度が98.00対8.00（1つのベースライン）および動画世界モデルの58.00であると報告し、この指標が粗粒度の性質のみを測るものであり、レンダリングの写実性は測らないことを明示的に認めている（V5）。Magpie [201] は同じ分業をより工学的に実装する。ゲームプレイの実行とピクセル生成を完全に分離し、レンダラーには数ステップの動画生成モデルを用い、エンドツーエンドの遅延が約1.55秒、VRAMが約34 GBであると報告しているが、著者ら自身がこれはインタラクティブゲームの要件にはまだ及ばないと述べている（V2/V5混在）。

これら2本の論文の意義はスコアではなく、「世界モデル」を見た目の問題から判定可能な工学的問題へと変えた点にある。状態に表現が与えられれば、第7章の断言、第4章のコンパイルゲート、第9章の合格率をすべて接続できる（これは私の推論であり、どちらの論文もテストフレームワークとのインターフェースについて論じていない）。同じ路線には、コード生成を通じてボクセル世界のモデリングを評価するベンチマークも含まれる [197]。

図18　Programmable World Model [66] の流れ（原論文のFigure 1から転載）。左側では世界プログラムがルール、状態スキーマ、性質をコードで表現し、validate action → apply rule → resolve events という実行順序を固定する。中央は行動をアイデンティティ／方向／意味制御およびカメラ軌道にコンパイルする。右側ではメモリ拡張DiTがブロック単位でレンダリングし、メモリは現在のトークン、時間的履歴、空間的メモリを区別する。

図19　Magpieのパイプライン [201]（原図4より再掲）。上段：プレイヤー入力によるアクション波形とエンジン側からのホワイトボックス制御信号。中段：Render Serverは数ステップの動画生成モデル（ブロック単位の自己回帰、3段ピラミッド蒸留、軽量VAE、FP8量子化）を用い、アンカーブロック、取得履歴、短期記憶を保持するメモリ機構を備える。下段：出力されるフレームのブロック列。

6.3 マルチアクター世界

第3の立場は、世界を複数のアクター間の相互作用の産物として扱う。すなわち世界は生成されたシーンではなく、NPCとプレイヤーが共に変化させる状態である。Multi-Actor [87]は、共有された複数キャラクターの世界における一貫性とキャラクター性を対象とし、Agentic Game Development [57]は、ゲーム制作そのものをマルチアクターの協働プロセスへと分解する。この分岐は第4章・第5章との境界が最も曖昧であり、本サーベイでは、成果物が世界状態そのものであるか、それとも世界の内部にあるコンテンツ項目であるかを問うことで境界を引く。前者は本章に、後者は第5章に属する。マルチアクター世界に関する証拠は現在最も薄い。どちらの論文も他者が再現できる検証器を提示しておらず、いずれもB/C評価である。

6.4 三つの立場の並置と境界

表6　三つの世界モデルの立場。包含規則：成果物が「世界」であり、かつゲームを指向していること。各行は異なる検証器レベルに位置するため、主要な数値は行間で比較できない。

本章が明示すべき境界は、我々が生成動画の視覚的品質を評価しない（レンダリングおよび視覚生成の問題である）ということであり、評価するのは世界を判定できるかどうかのみである。この読み方では、分離派は現在、他章と接続する唯一の形式の証拠（V5の主張）を提供し、ピクセル派は生産性の物語（V0）を提供し、マルチアクター派はまだ比較可能な証拠を伴わない方向性を提供している。

要点

• 3つの立場はモデル能力ではなく、世界状態をどこに置くかで異なる：ピクセル派は表現を持たず、分離派は明示的に表現し、マルチアクター派はそれを共有する。
• 分離派は他章と接続できる唯一の検証器形式を提供する：状態精度98.00対8.00/58.00だが、測定できるのは粗粒度の性質のみである[66]。
• ピクセル派の唯一の定量化可能な代理指標は弱く、例えば連続フレーム内の変化率であり、競技ランキングとの相関はわずか$\rho = 0.23$である[207]。
• Magpieの1.55秒のレイテンシと34 GBのVRAMは、分離路線のボトルネックが「生成できるか」から「リアルタイムで動かせるか」へ移ったことを示している[201]。

7 テストと品質保証：「動くか」から「このように動くべきか」へ

図20　第7章のサブツリー。基準の強さは3本の線に沿って低下する：欠陥検出には書き下せる期待があり、探索はカバレッジ代理指標に依存し、バランスにはヒューマン・イン・ザ・ループの判断しかない。

テストはこの分野で最も工学的な章である：その産物はコンテンツではなく、コンテンツに関する判断である。したがってここは、検証器問題が最も徹底的に露呈する場所でもある——同じ批次の欠陥でも、判定方法が変われば検出率は数倍異なり得る。

7.1 欠陥と回帰：注入証拠の境界

この分支の設定はこうである：「何かが壊れている」ゲームが与えられたとき、エージェントはそれを特定して修復できるか。MORTAR [8]は実際のゲーム欠陥報告で修復プロセスを駆動し、修復品質の顕著な改善を報告している。KLPEG [9]は欠陥注入を再現可能なテストベッドとして用い、96%のコンパイル成功率の上で異なるモデルの欠陥検出能力を比較している。VideoGameQA-Bench [112]はフレームレベルの品質問題（視覚的異常、レンダリング欠陥）を対象とし、最良のシステムは総合で約49.1%に達する——本章で最も頻繁に引用される数字であり、最先端が実用からどれほど遠いかを最もよく示すものである。TempGlitch [189]は特に時間的レンダリング欠陥を対象とし、約21%の検出を報告している。

商用ゲームのピクセル層に関する研究 [90]とエンジン内部で検証する研究 [116]は「外部ブラックボックス」と「内部ホワイトボックス」の両極をカバーする。自動プレイテストのためのコード認識エージェント [20]、実行時状態注入によるキーポイント検証を用いた研究 [23]、実際の欠陥報告からクラッシュを再現する研究 [59]がツールチェーン側を補完する。同じ路線のスケーラブルなツール化版 [89]と、QA能力そのものをベンチマーク化したGBQA [132]が再利用性を視野に入れる。視覚的欠陥の参照ベースベンチマーク [144]は「参照フレームとの不一致」を直接欠陥と定義する。

これらの数値には、明示的に記録しておくべき解釈上の境界が一つある。上記の欠陥実験のほとんどは注入ベース（欠陥を健全なゲームに手作業で挿入し、エージェントがそれを再び見つけ出さなければならない）であり、実際のプロジェクトで自然に発生した欠陥ではない。少数の例外は実際の欠陥報告や実際のクラッシュを用いている（例えば[59]）が、小規模であり、他のシステムとの比較もない。注入された欠陥は通常、認識可能なパターンを伴い、その分布は実際の欠陥の分布とは異なる。したがって、これらの検出率は管理された条件下での相対比較として読むべきであり、本番環境で現れる能力として読むべきではない（これは私の推論である。論文は自らの検出率が自然発生の欠陥に外挿できるとは主張していないが、そのための対照群も設けていない）。

7.2 探索とカバレッジ：「十分にプレイしたか」を行動エージェントに問わせる

自動テストの核心的な困難はカバレッジにある。どの行動を試すべきかを誰が決めるのか。TITAN [122] は探索を報酬設計の問題として捉え、操作トレースを収集する手法を与えている。SMART [28] は自動探索と実演によってカバレッジを向上させる。Lap [110] は探索行動の視覚的忠実性と一貫性に焦点を当てる。VRScout [115] は視覚的意図によってナビゲーションを駆動し、複雑なシーンにおいて純粋に視覚的なベースラインを上回ったと報告している。ExploreAI [44] はこの分支の中でエビデンスが工学的展開に最も近い論文である。探索を四つの行動タイプ（長距離ナビゲーション、接近、多視点撮影、自己検証）に分割し、コストにおいて網羅的ベースラインと直接比較している——行動あたり約0.010対約0.293、すなわちおよそ29倍の差（V5検証とコスト計上）——と同時に、視点カバレッジの向上も報告している。

図21　ExploreAI [44] の作業ループ（原論文の図2より再掲）。1aはYOLOを視覚知覚に用いて物体のエビデンスを収集し、1bはLLMがタスク計画を設定し、2a/2bは長距離および近距離のナビゲーションを実行し、3は複数の視点を撮影し、4はエビデンスを検査可能な物体記録（オクルージョンや失敗事例を含む）に統合し、5は自己検証を行って現在のタスクを続行するか新しいタスクを開始するかを決定する。

7.3 バランスとルール：基準をアサーションとして書くのが最も難しい領域

ゲームバランスとルールの一貫性は伝統的に手動調整の領域であり、本サーベイではこの領域に踏み込んだエージェント研究はごく少数しか見つからなかった。RuleSmith [91] はLLMを用いてルールレベルで生成と検査を行い、「プレイアビリティ」を検査可能なルール特性に分解する。MIMIC [56] は人間と機械の協調的なバランスデバッグを対象とし、行動あたり約12.4秒のインタラクション遅延を報告している——この数値は、実際の調整現場におけるエージェントの価値が、まずその判断の絶対的な品質ではなく、人間のペースに追従できるかどうかにかかっていることを示している。ここでの基準は依然としてV0/V1を出ていない。バランスの実行可能な定義を与えた者はいまだおらず、同一の土台でシステムを比較するベンチマークも存在しない。

7.4 評価章とのインターフェース

上記のテキストを日本語に翻訳してください。すべての文を日本語で書き、途中で他の言語に切り替えないでください。

本章と第9章は同じ検証器を共有しているが、使い方が異なる。評価では検証器を使って生成されたゲームを採点し、テストでは検証器を使ってゲーム内の欠陥を特定する。両者を合わせると、本サーベイで最も実用的な結論が得られる——検証器の選択が、報告可能なほぼすべての結論を変える（10.1節でシステム間比較を示す）。具体的にテスト側では、「コンパイルできるか」で楽観的な96%水準の数値を示す同じモデル[9]が、「仕様が実装されているか」では破綻する。630候補のうち387がすべての決定論的チェックに合格し、そのうち87が仕様について60未満のスコアとなる[148]。さらに「競争性能」では$\rho = 0.23$とPass@1の一致度に後退する[207]。

要点

• テスト分支における判定の強さには三つの段階がある。欠陥特定には記述可能な期待値があり、探索はカバレッジに依存し、バランスは人間の判断に委ねられる。
• 欠陥実験のほぼすべての結論は注入された欠陥に由来し、管理条件下での相対比較として読むべきであり、自然発生の欠陥の検出に外挿すべきではない。
• コストは判定層にまで入り込んでいる。ExploreAIのアクションあたりのコストは網羅的ベースラインの約1/29であり[44]、MIMICのアクション遅延は約12.4秒である[56]。
• フレームレベルの品質検出は依然として弱点である。レンダリングおよび視覚的欠陥の最良ベンチマーク結果は約49.1%であり[112]、時間的欠陥検出は21%前後の領域にある[189]。

8 設計探索と人間–AI協働：発散は信用を得て、収束はその代償を払う

図22　第8章のサブツリー。本章のほぼすべての基準は人間による報告に由来する。指標は創造性、統制感、受容、信頼であり、合格率ではない。

前章まではエージェントが許容可能な成果物を生み出せるかを問うたが、本章はエージェントと人間がどのように作業を分担すべきかを問う。その特異性は証拠の種類が異なることにある。他の章の数値は検証器に由来するが、本章の数値は人間の尺度、インタビュー、実際のプラットフォームデータに由来する。そのため結論は過度に一般化されやすい。そこで以下の各項目では参加者数とタスク種別を明記する。

8.1 設計とメカニクスのアイデア創出

この分支は素朴な前提から出発する。モデルは多くのアイデアを素早く供給できる。AIdeation[194]はスタジオ環境でアイデア創出支援ツールを評価し、アイデアの数と多様性が有意に増加したと報告する一方、品質の次元では有意差に達しなかった。CreepyCoCreator[178]はホラーゲーム向けの逆方向協創であり、EchoLadder[30]はアイデアから遊べるメカニクスへの段階的精錬を扱う——この三者が証拠の「発散」側を構成する。SPINE[152]とAutoBG[1]は「収束」側を代表する。SPINEはデザインピラーとゲームコンセプトを構造化オブジェクトとして記述し、モデルにピラーに対するカバレッジを評価させフィードバックを与える。AutoBGは背景と設定の生成を対象とする。教育指向の協創[41]は同じプロセスを教室に持ち込み、学生がエージェントを使って設計作業を完了する様子を観察する。

図23　SPINEのインターフェース [152]（原図より）。左側には「LLMフィードバック → 生成」ボタンとコアコンセプトおよび追加機能の入力欄を備えたピラーカードが並び、その下には、各ピラーがゲームコンセプトに適合するかどうかを項目ごとに説明し、追加機能を採点する、LLM生成のカバレッジフィードバックが表示されている。この図はまた、構造的な問題も示している。すなわち、評価者と評価対象のコンセプトが同一のモデルに由来しているということである。

8.2 協働の形：なぜ発散は評価され、収束はその代償を払うのか

この分野の研究を重ね合わせると、ある共通の形が見えてくる。エージェントは発散段階では明らかに助けとなるが、収束段階では摩擦を生む。 発散に関する証拠は、より多くのアイデア、より多様な案、より速い速度である [194][30]。一方、収束側の難しさは三種類に分けられる。

第一はコントロール感と所有感である。実際のスタジオや共創実験において、参加者は成果物が相応の品質であっても最終デザインに対するコントロール感が弱いと一貫して報告しており、これはしばしば尺度上で最も低い項目となる [194][178]。第二は、収束の判断に根拠が欠けることである。モデルは候補を生成できても、「なぜ他の三つではないのか」を説明するのは苦手であり、まさにそこにデザイン決定の価値がある [152]。第三は、人間の評価コストが取り除かれるのではなく、別の場所に移されることである。MIMICの12.4秒という行動レイテンシ [56] は、頻繁なinteractionを要するチューニング的な設定では、人間の待ち時間それ自体が新たなコストとなることを示している。

8.3 プレイヤー側と組織側：開示は測定可能な負のシグナルである

本章で最も重い証拠は実験室からではなく、実際のプラットフォームデータから得られたものである。Steam上の数千本のゲームを対象とした実証研究 [208] によれば、PCGタグが付与されたゲームの推薦率は約86.3%であるのに対し、生成AIの使用を開示しているゲームは約68.4%であり、さまざまな統制変数の下で開示が最も強い負の予測因子である（OR約0.63）。著者らは手法とサンプルをかなり完全に報告しており、この結果はほとんどの質問紙研究よりも注目に値する。その境界も同様に明確である。これは相関であり因果ではなく、「開示そのものが不承認を引き起こす」のか「開示している者の製品が実際により劣っている」のかを分離することはできない（論文の議論もこの点を認めている）。

組織・プロセス側の研究はより薄いが、方向性は示している。インタビュー研究は、エージェントがゲーム開発チームに入った後の協働パターンを特徴づけている[57]。品質要件を目的とした研究では、カノモデルを用いて「プレイヤーが期待する品質」をランク付け可能な要件へと構造化している[199]。ある論文は、参入障壁の低下による利得とコストを「民主化する力」という見出しの直下で論じている[161]。系統的レビューは、LLMが開発プロセスに入ると、ゲームプレイ、プレイアビリティ、プレイヤー体験への影響を別個に評価する必要があると主張している[166]。アセット生成ツールに関するユーザー研究は、16名の実務者に基づくヒューリスティックなチェックリストを提案している[191]。また別の研究は、生成された成果物が長期の保守に入ると、技術的負債の形で将来のチームにコストを移転すると主張している（本文が入手できなかったため、本サーベイは要旨からのみ引用し、数値の出典としては用いていない）[163]。注記すべきは、本章の質問紙に基づく研究は全体として方法論的に弱く、既存の監査ではプレイヤー体験研究が一般に報告基準を欠いていることが判明している[27]。本章の結論を製品判断に用いる前に、原尺度の構成とサンプルサイズに立ち返るべきである。

8.4 比較と境界

表7　デザインと人間-AI協働の研究。採用規則：対象が人間またはチームである実証的または定性的研究。その判定方法は尺度、インタビュー、プラットフォームデータであり、第4〜7章の検証器とは比較可能でない。

要点

• エージェントは発散において明確に助けとなり（より多くのアイデア、より多様性、より速さ）、収束において摩擦を生む（制御、選択の根拠）[194][152]。
• 構造化された柱ベースの評価では、評価者と被評価概念がしばしば同一モデルに由来し、自己確認的なループを形成する[152]。
• プレイヤー側には測定可能な負のシグナルがある。生成AIの開示は推薦率の低下と相関する（68.4%対86.3%、OR ≈ 0.63）が、これは相関であり因果ではない[208]。
• 本章の質問紙に基づく研究は全体として方法論的に弱い。引用する前に尺度とサンプルに立ち返るべきである[27]。

9 ベンチマークと評価：検証器こそがこの分野で最も重要な変数である

図24　第9章のサブツリー。3つの線はタスクではなく、誰が判定するかが異なる：アサーション、モデル審判、競技会、人間。

9.1 実行可能な検証：アサーションをエンジンに移す

ここでの共通の動きは、評価を「画像を見て採点する」から「エンジンでアサーションを実行する」へ変えることである。GameLogicBench [43] はティックレベルの状態アサーションでロジックを検査し、本サーベイで最も示唆に富む2つのアブレーションを提供している：マルチシナリオ設定を除去すると平均解決率が58.1%膨張し、ティックレベルのアサーションを除去すると8.9%膨張する——言い換えれば、「いくつのシナリオがテストされるか」と「アサーションがどの粒度を持つか」はそれ自体がスコアを決定する選択なのである。CraftBench-UE [34] はUnrealで実際のプロジェクトタスクを構築し、期限内に提出されアセットチェックを通過した成果物のうち42.2% / 50.0%が実行時に依然として失敗することを報告している。OpenGameEval [69] は判定をRobloxのエディタ状態とランタイムに移し、上位5モデルの差はわずか1.1ポイントである一方、それらの解集合はほとんど重ならない（和集合58 / 積集合27）ことを報告している。GameDevBench [136] はGodotのユニットテストを評価の一部とする。Code4Scene [26] はシーンプログラムごとに幾何学と空間関係を検査する。GameASG-Bench [124] は「実行される」と「正しく振る舞う」を別々に報告している（93.2% 対 55.3%）。GameEngineBench [29] はUnreal上で、誰も解けなかったタスクが31件、全員が解いたタスクが0件であると報告している——平均スコアよりも現在の水準について多くを語る分布情報である。「専門家レベルの開発ギャップ」に狙いを定めた評価（GameXpert-Bench [38]）、黒箱の視覚的複製をタスクとするGameReplica [83]、そして判定対象を「それらしく見えるか」「複製できるか」へと拡張する視覚的ゲーム生成ベンチマークV-GameGym [99] も存在する。

図25　GameCraft-Bench [113] の評価パイプライン（原図1より再掲）。1 タスクのパッケージ化（仕様、環境、隠れたルーブリック）；2 エージェントがプロジェクトとプレイスルー軌跡を生成する；3 ビルドゲート（プロジェクト解析、シーン読み込み、スクリプトコンパイル、ヘッドレス起動、デモ解析）；4 リプレイフォレンジック（デモ動画を記録し2 FPSでフレームをサンプリングする）；5 隠れたルーブリックがマルチモーダルモデルによって採点され、平均/最大で4次元M/D/V/Aに集約される。

9.2 モデル審判：寛容で、三値で、再現不可能

上記のテキストを日本語に翻訳してください。すべての文を日本語で書いてください。途中で他の言語に切り替えないでください。

判定を断定的な主張として書けない場合、作業はモデル判定者に委ねられるが、この分野の証拠はほぼ完全に否定的である。GameCraft-Bench [113] はモデル判定者と人間の採点を直接比較し、モデル判定者は人間より約3.32パーセンテージポイント寛容であると報告している。WebGameBench [75] は、プレイ可能／プレイ不可能／不確定の三値判定において、モデルと人間の完全一致率はわずか50.0%——つまり判定の半分が「不確定」側に落ちる——と報告している。SWE-Game [46] は、同一バッチの成果物がモデル判定者では92.59%で合格する一方、実行可能なチェックでは78.41%であり、その差は約14パーセンテージポイントであると報告している。そしてProxyWar [207] は相関の証拠を示している。競技ランキングとPass@1の相関はわずか$\rho = 0.23$であり、一方、連続20フレーム以内に目に見えて変化するキャラクターの割合は77.1%——高いように見えるが、モデルの強さとはほとんど無関係な数値である。

Mage [114] は本章で最も鋭い対照を示す。同一バッチの成果物において、中間表現なしの条件は実行時合格率が最高の43%に達する一方、そのメカニクスタグのF1はちょうど0.000である。これが意味するのは「モデルはメカニクスを扱えない」ということではなく、実行時合格率とメカニクスの正しさは、同じものを異なる物差しで測っているということである。RPGBench [196] は別の道を取る。RPGタスクをエンティティ、メカニクス、難易度という個別に検査可能な三層に分割し、「メカニクス」にも断定的な足場を与えようと試みている。

図26　RPGBench [196] の評価設定（原論文の図1より再掲）。左側はキャラクター百科事典のページとトラジェクトリを入力とする構築・シミュレーションフロー、右側は生成されたゲームの構造化フィールドである。ゲーム世界、目標、シーン、プレイヤーキャラクター、メインNPCの5つの性格次元と事実、初期値と境界を持つ状態変数、効果を伴うイベントの前提条件と成功条件、および終了条件。この構造が、エンティティ、メカニクス、難易度を個別に検査可能にしている。

9.3 検証器が結論の差を構成する

第7章の証拠と並べると、本章からは本サーベイで最も実用的な結論が得られる。検証器の選択によって生じる結論の差は、一般にモデル間の差よりも大きい。 これは三つの箇所に現れる。同一バッチの成果物で、検証器が変わることで合格率が92.59%から78.41%へ下落する [46]。あるベンチマークで、上位モデルのスコア差は1.1パーセンテージポイントである一方、それらの解集合はほとんど重ならない [69]。そしてあるバッチのタスクで、「合格する」ことと「正しい」ことが完全に分離しうる（43%対0.000）[114]。したがって本サーベイは、報告されるすべての数値にその検証器レベル（V0–V6）を付すことを主張し、読者に対してベンチマーク間で比較する前に二つのことを行うよう提案する。すなわち、環境の表面が比較可能であることを確認すること、そして検証の粒度が一致していることを確認することである。

図27　同一バッチの成果物における検証器の連鎖。コンパイルまたは実行時の合格率が最も高く、仕様の断言はより厳格であり、モデル判定者と競技判定は互いに矛盾する結論を与える（[46][69][114][148] の総合）。図は模式的なものであり、定量的なグラフではない。

9.4 ベンチマーク資源の並置

表8　ベンチマークリソースの並列比較。包含規則：再現可能な検証方法を報告するゲーム制作ベンチマーク。主要な数値は同一の検証器レベル内でのみ比較可能であり、行をまたぐ比較にはまず環境サーフェスと検証粒度を確認する必要がある。

要点

• 検証粒度そのものがスコアを決定する：マルチシナリオ設定なしで58.1%膨張し、ティックアサーションなしで8.9%膨張する[43]。
• モデル判定器は人間より約3.32パーセントポイント寛容であり、三値判定は人間とわずか50.0%の一致率である[113][75]。
• 「合格する」ことと「正しい」ことは乖離する：あるバッチの成果物では実行時に43%が合格する一方、メカニクスタグのF1は0.000である[114]。
• リーダーボードは不安定である：上位5つは1.1pp差で解集合の重なりはほとんどなく、競技ランキングとPass@1の相関はわずか$\rho = 0.23$である[69][207]。

10 基礎的な問いと論争：4つの未解決問題

本章では4つの論争を並列に提示する。それぞれについて、正確な命題、両側の証拠とそれが成立する条件、2つの説明を分離しうる実験、そして現在の均衡がどこにあるかを示す。

10.1 実行可能とは仕様遵守を意味するか？

命題：成果物が実行可能チェックに合格するならば、それはタスク記述の振る舞いを実装している。

裏付けとなる証拠：実行可能なチェックは、使い物にならない成果物の多くを確かに排除している。AutoUEのコンパイルゲートとPIEプレイテストは、明らかに壊れたプロジェクトを締め出す[51]。SimWorldsがピクセル批評を決定論的プロトコル検証に置き換えた後、多段階の合格率は0.67から0.87に上昇した[42]。GameASG-Benchが「実行される」（93.2%）と「正しく動作する」（55.3%）を別々に報告すると、前者は一つの閾値となる[124]。

反証となる証拠：実行可能なチェックは、仕様の実装を体系的に過大評価する。Spec2Gameでは、630件の候補のうち387件が6つの決定論的チェックすべてに合格するが、そのうち87件は仕様実装で依然として60未満のスコアにとどまる。また「要素モデリング」（80.8）は「ルールとメカニクスのモデリング」（45.6）や「目標と終了条件のモデリング」（44.0）を大きく上回る[148]。Mageでは、同じ成果物のバッチが実行時合格率で最大43%に達する一方、メカニクスタグのF1は0.000である[114]。CraftBench-UEでは、アセットチェックに合格した成果物が実行時には42.2% / 50.0%で失敗する[34]。

妥当性の条件：反証となる証拠はすべて、検証器が表明可能な振る舞い論理のみを対象とする製品レベルまたはプロジェクトレベルのタスクに由来する。一方、裏付けとなる証拠は「起動し、基本的なインタラクションを支える」というより低い基準に由来する。両者は矛盾せず、高さの異なる二つの閾値である。

説明を分離しうる実験：同一の成果物バッチについて、実行可能なチェックに合格する割合と仕様アサーションに合格する割合の両方を、その積集合と差集合とともに報告する。Spec2Gameはすでにこの形を提供している[148]が、この比較を再現した第二のベンチマークはまだ存在しない（ギャップ）。

均衡がどこにあるか：実行可能であることは仕様準拠であることと等しくない——この結論は複数の独立したシステムによって、一貫した方向で支持されている。これに基づき、本サーベイは実行可能性と仕様準拠を二つの別個の基準として扱う（2.2節）。

10.2 モデル審査員は人間の代わりになりうるか？

命題：モデル審査員（V1）によるスコアは、システム間の比較において人間によるレビュー（V0）の代わりになりうる。

反証となる証拠：モデル審査員は人間より約3.32パーセントポイント寛容である[113]。プレイ可能／プレイ不能／不確実という三値判定では、人間との完全一致率はわずか50.0%である[75]。競争的ランキングはPass@1と$\rho = 0.23$の相関を示す[207]。ある成果物バッチでは、モデル審査員は92.59%を与えるが、実行可能なチェックは78.41%しか与えない[46]。さらに複数の研究が、評価対象モデルと同一ファミリーの審査員がバイアスを導入することを認めている（[113][107]が自ら述べる限界、および「評価者と評価されるアイデアが同一モデルに由来する」構造が教育指向の共創[41]やSPINE[152]に現れている）。

裏付けとなる証拠：単一の環境、単一のルーブリック、単一のモデルファミリーの内側では、モデル審査員と人間のランキングは相対的順序について概ね一致する（ほとんどのベンチマークが人間のレビューと同じ方向を指すランキングを報告しているが、完全一致の数値が完全に報告されることは稀である）。この側は反証側より弱い。主に「同じ方向」を報告するにとどまり、検証可能な一致統計を示してはいない。

妥当性の条件：モデル審査員は粗いスクリーニングや回帰テストには用いうるが、いったんシステム間比較や意思決定の閾値に用いられると、寛容性バイアスと三値の不確実性がそのまま結論に伝播する[113][75]。

説明を切り分けうる実験：同一バッチの成果物について、モデル審査員スコア、人間スコア、実行可能パス率を同時に報告し、不確実カテゴリを含めたペアワイズ一致度を示す。現在、この3つすべてを報告しているベンチマークは存在しない。

均衡がどこにあるか：均衡は明らかに「代替できない」側に傾いている。現時点で擁護可能な用途は、モデル審査員を審判ではなくフィルターとして扱うことである（これは筆者の推論であり、文献がこの運用ルールを明示しているわけではない）。

図28　GameLogicBenchのタスク階層と審査設定 [43]（原図2より複製。原図はCC BY 4.0でライセンスされている）。左側は統合範囲による3つのタスク階層（Repoはシステムレベルの統合、Comboはメカニクス間の相互作用、Atomは単一メカニクス）。中央ではタスクが密封されたGodotプロジェクト内でエージェントによって解かれ、図にはネットワークが明示的に遮断されていることが記されている。下方では人間が書いたシナリオが決定論的な審査を提供し（図には言語モデルを使用しないことが記されている）、右側では同一設定における各構成の解決率が最高52.78%から最低16.67%まで示されている。

図29　同一バッチの成果物に対する3つのものさし（[46][113][75][207]の統合）：モデル審査員は人間より約3.32パーセンテージポイント寛大であり、実行可能チェックはより厳しく、人間による審査と競争的審査の順序はどちらとも完全には一致しない。図は模式的なものであり、定量的なチャートではない。

10.3 一貫性はモデルに宿るべきか、構造に宿るべきか？

命題：長期的な一貫性は、より強力な生成モデルによって内面化されるべきか、それとも外部構造（知識木、状態表現、レイアウトファイル）によって保証されるべきか。

内面化を支持する証拠：動画ワールドモデルの路線は、より大きなスケールとより強い条件付けによって一貫性が直接向上すると主張する。Magpie [201]は1.55秒のレイテンシ制約下でブロック間の一貫性を維持したと報告しているが、その代償として34 GBのVRAMと専用のレンダリングサービスを要する。 外部化を支持する証拠：Programmable World Model [66]がルールをコードとして書き出した後、状態精度は98.00に達する（同じ研究における動画路線：8.00/58.00）。SKT [98]は知識木によってハルシネーションを17.80%から6.27%に削減する。SNAP [62]は「知らないこと」を構造的に表現不能な状態にする。World Craft [16]とIVIE [108]はレイアウトとスキーマを用いて走破可能性と解決可能性を保証する。

有効性の条件：外部化路線の利得は、構造を書き下せるという前提に依存している。構造を書けない領域（アートスタイル、カットシーンの感触、音響の雰囲気）では、外部化は現時点で足がかりを持たない。これはまさに第5章の3枚の薄い葉である。

説明を切り分けうる実験：レンダリング品質を固定した上で、「構造制約あり」と「構造制約なし」の一貫性減衰曲線を長い地平（数百の相互作用ステップ）にわたって比較する。現在の最長の報告は依然としてブロック記憶メカニズム [66]であり、それは粗粒度の性質しかカバーしていない。

均衡がどこにあるか：構造を書ける領域では、外部化路線の証拠が著しく強い。書けない領域では、議論はまだ始まっていない。

10.4 自動化は人間の創作者にとって利得か、それとも代替か？

命題：エージェントの導入は、全体として創作者の能力を拡張する。

表9　人間の創作者に対する自動化の利得とコスト。包含規則：検証可能な労力、コストまたは尺度の結果を報告する研究；両側は異なる時間窓で測定されており（短いタスク対長期的な保守とプラットフォームデータ）、互いに相殺することはできない。

妥当性の条件：利得の根拠は主に短いタスクと実験室設定から得られており、コストの根拠は主に実際のプラットフォームと長期的な保守から得られている。測定の時間窓が異なるため、両側は互いに相殺することはできない。

説明を分離しうる実験：1つのチームと1つのプロジェクト内で2つのマイルストーンにわたる前後比較を行い、出力速度、人間とモデルの判断の比率、手戻り量、最終的な納品品質を記録する。本サーベイのコーパスにはそのような研究は含まれていない。

均衡がどこにあるか：タスクレベルの利得については根拠が十分である；組織的な純効果については不十分であり、既知の負のシグナル（開示相関、統制感、技術的負債）は生産性の数値の下に埋もれさせるべきではない。

10.5 検証器選択チャート

図30　検証器選択チャート。これは本サーベイが第4〜9章の根拠から導出した運用上の助言（筆者の推論）であり、単一の論文が述べた主張ではない；すべての候補検証器にはその根拠の出典が注記されている。

要点

• 実行可能であることは仕様に準拠していることを意味しない：これらは異なる高さにある2つの閾値である [148][114][34]。
• 現時点の根拠では、モデル審査員は審判ではなくフィルターであるべきだ：3.32ppの寛容性、三値判断での一致率50.0% [113][75]。
• 一貫性の論争は、構造を書き下せる場所では決着しており（外部化の方が強い）、書き下せない場所ではまだ始まっていない [66][152]。
• 自動化によるタスクレベルの利得は十分に根拠づけられている；組織的な純効果はそうではなく、3種類の負のシグナルが存在する：開示相関、統制感、技術的負債 [208][163]。

11 リソース：ベンチマーク、データセット、システム、ツール

本章は再利用可能なリソースを一箇所に集め、読者が論文ごとに探し回る必要をなくす。包含規則は、リソース自体が入手可能であり（公開論文、アクセス可能なコードまたはプラットフォーム）、本サーベイのコーパス内で少なくとも2つの研究がそれを使用または比較していることである；検証器と尺度が大きく異なるため、以下の表は「どれが優れているか」のランキングではない。

表10　リソース目録。包含規則：本コーパス内の少なくとも2つの研究で入手可能であり、使用または比較対象とされているベンチマーク、システム、ツール。「リンク状況」は論文およびそのオープンソース表明に従ったものであり、リポジトリの可用性は項目ごとに検証していない。検証器の列は行間の順位付けに用いてはならない。

リソースレベルで際立つ空白が3つある。第一に、共有されたクロス環境テストベッドが存在しない：すべてのベンチマークはそれぞれ固有のエンジンまたはプラットフォーム（Godot、Unreal、Roblox、ブラウザ）に縛られており、複数のエンジンで同時に動作するタスクセットは存在しないため、「環境の難易度」をそれ自体独立した次元として測定することは不可能である。第二に、欠陥データセットが公開されていない：第7章の注入ベースの欠陥実験は主に社内の欠陥セットを用いており、既存のベンチマークも欠陥サンプルライブラリを公開していることはほとんどないため、検出率を第三者が再確認することは困難である。第三に、コストとレイテンシが記録されていない：呼び出しコスト、アクションレイテンシ、VRAM使用量を報告している研究はごくわずかである[44][56][201]が、これら3つは技術が日常の制作現場に入れるかどうかを左右する（私の推論であり、その根拠は、第7章と第8章において「人間のペースに追随できるか」が繰り返し実用上のボトルネックとなることが判明していることにある）。

要点

• この一覧は、評価ベンチマーク、エンドツーエンドシステム、エンジニアリングツールという3種類のリソースを対象としており、いずれも「入手可能かつ使用実績あり」という基準で採録されている。
• 環境をまたぐ共通のテストベッドは存在しないため、現時点では「環境の難しさ」を独立した次元として測定することはできない。
• 欠陥データセットは一般に公開されていないことが多いため、欠陥検出率を第三者が再検証することは難しい。
• コスト、レイテンシ、VRAMを報告している研究はごくわずかであるが、これらはある技術が日常の生産現場に入り得るかどうかを左右する[44][56][201]。

12 応用：手法が書き換えられる場所

生產側の手法は均等に普及するわけではない。まず客観的な基準が存在する領域（エンジニアリング、アセット、テスト）に定着し、その後、主張可能なことの境界に沿って外側へ広がっていく。すなわち、まず教育ゲームと認知トレーニングへ、次にXRと没入型プロトタイピングへ、最後にコミュニティmoddingとテーブルトップへと広がる。本章は、各領域が手法をどのように書き換えるかをこの順序で記録する。特に断りのない限り、本サーベイではこれらの研究はアブストラクトレベル（ティアC）で引用されている。つまり、研究自体が述べている目的と成果のみを対象とし、内部機構や読んでいない数値の伝達は行わない。

教育と認知トレーニングは、正しさへの要求を学習目標として外部化できるため、方法論的移転が最初に現れる領域である。GamED.AI [106]は教育ゲーム生成を階層化されたマルチエージェントの役割に分解する。認知障害患者を対象とするLETGAMES [205]は、ゲーミフィケーションされたタスクを通じて認知トレーニングを構成する。ある教室研究では、言語マッピングインターフェースを用いて教師とAIの共創を支援している[41]。シリアスゲーム向けの手続き型コンテンツ評価もまた、強化学習エージェントと結び付けられている[116]。この領域に共通する書き換えは、基準が「そのゲームは楽しいか」から「学習目標は達成されたか」へ移り、そのために追加のドメイン主張レイヤーが必要になるという点である。これは10.1節の「実行可能であることは仕様に準拠していることを意味しない」という問題の別形態である。

XRと没入型プロトタイピングは、インタラクションの反復速度を中心に書き換える。XARP Tools [141]は人とAIエージェントが共有するXRプラットフォームを提供する。Geminiの「vibe coding」フローを備えたXR Blocks [188]は、プロトタイピングサイクルを会話のレベルまで圧縮する。SPHERE [130]はヒューマン・イン・ザ・ループの強化学習によってVR屋内シーンを適応させる。PlayWrite [84]はXR内でのプレイを通じた物語の共創を可能にする。EchoLadder [30]とImmerseGen [53]はそれぞれVRシーンと没入型世界を扱う。CoGen3D [72]はVRアセットの人間とAIの協調設計を対象とする。VRScout [115]はテストをこの領域に持ち込む。共通する特徴は、人間の身体と空間が検証者の一部になるという点である。これらの研究では、人間の即時的フィードバックが第9章のベンチマークに取って代わる。

コミュニティMOD制作とプレイヤー主導の創造は、生産の民主化に最も近い分岐である。StarCharM [139] は生成AIによってStardew ValleyのMOD制作の障壁を下げ、BLOCK [157] はMinecraft向けのキャラクタースキンパイプラインを生成し、MagicCraft [183] は商用メタバースプラットフォーム向けのインタラクティブな3Dオブジェクトを生成し、スマートブラシツール [203] はオンザフライのマップ編集を支援し、プレイヤー主導の編集アーケード実験 [146] と協調型オープンワールド設計プラットフォーム [180] は作者とプレイヤーの関係を直接書き換える。ここでの書き換えとは作品を受け入れる主体の移転である。スタジオの受け入れ基準はなくなり、プレイヤーがリリースとリテンションを通じて受け入れる。これはまさに、8.3節の開示効果を測定しうる設定である [208]。

テーブルトップ、カードゲーム、インタラクティブナラティブは、ルールがコードであるという特徴を共有するため、構造的基準が容易に得られる。Cardiverse [126] と Boardwalk [193] はカードゲームとボードゲームのプロトタイピングを対象とし、AutoBG [1] はボードゲーム設計アシスタントを提供し、関連性研究を伴うトレーディングカード生成 [154] とテーブルトップRPG向けのモンスターレベル予測 [175] は同じ系譜に属し、Dungeons & Dragons向けの動的難易度調整 [47] はバランス問題を形式化する。インタラクティブナラティブ側では、GenLARP [97] と Storycaster [7] がライブアクションロールプレイ向けのAI生成ワールドとキャラクターを用い、NPC対話設計手法 [140][61] とオープンナラティブフレームワーク [176] は5.5節の知識制約の考え方を継続し、WhatELSE [37] とナラティブ可視化の探索 [127] は作者の制御可能性を扱う。

産業アセットとエンジンパイプラインは最も直接的に応用されたカテゴリである。Hunyuan3D Studio [171] と Hunyuan-Game [202] は「ゲーム向けアセット／産業向け制作モデル」にちなんで名付けられ、Puppeteer [147] はリギングとアニメーションを自動化し、EasyCraft [153] はキャラクターアバターを組み立て、Spiritus [150]、Bunraku [155]、Sketchar [159]、SPRITETOMESH [168] は2Dキャラクターとイラストの生成および再処理を担う。これらの出力基準（ポリゴン数、リギング品質、直接インポート可能性）は5.2節のアセット分岐と一致しており、このことが本サーベイにおいて他章と基準を共有する唯一の応用領域となっている。

表11　応用領域の並列比較。包含規則：特定の応用領域を対象とし、エージェントを制作手段として用いる研究。基準は領域ごとに異なり比較可能ではなく、本調査に列挙された各研究はアブストラクトレベルでのみ引用されている。

要点

• 手法が普及する順序は、基準の主張可能性の高さによって決まる。まずエンジニアリング、アセット、テスト、次に教育とXR、その後にコミュニティとテーブルトップが続く。
• 教育・認知訓練領域は基準を学習目標へと外部化するため、追加の領域主張レイヤーを必要とする[106][205]。
• XR領域はベンチマークを即時の人間フィードバックに置き換えるが、その代償として結論の再現が難しくなる（第8章と同じ原因）[141][188]。
• 産業アセットパイプラインは、第5章と基準を共有する唯一の応用領域である[171][202]。

13 今後の方向性

以下の5項目は、前章までのエビデンスの空白から導かれるものである。各項目は、その空白を露呈させるエビデンス、すでにその方向を指し示している研究、そして不確実性を減らす具体的なテストを一つずつ示す。これらは予測ではない。

1. 検証器は第一級の市民として報告される必要がある。 これを露呈させるエビデンスは第9章の4つの比較である。すなわち、あるバッチの成果物が92.59%から78.41%へ低下したこと[46]、高いスコアの後にほとんど重複しない解集合が続いたこと[69]、43%が合格する一方でメカニクスF1が0.000であったこと[114]、そしてマルチシナリオ設定を除去すると58.1%の水増しが生じたこと[43]である。この方向を指し示す研究は、Spec2Gameの二層報告形式である[148]。実施可能なテスト：新しいベンチマークは、あるバッチの成果物について、実行可能なチェックに合格する割合と仕様アサーションに合格する割合の両方を示し、その差分を公表すべきである。

2. コンテンツ制作には成果物に照準した基準が必要である。 これを露呈させるのは、第5章における薄いエビデンスの分布（UI 3、カットシーン5、オーディオ7）と、いかなるオーディオ研究もゲームオーディオミドルウェアに接続していないという事実である。この方向を指し示す研究は、Artisanの物理レポート[6]とWorld Craftのエンジン着地[16]である。実施可能なテスト：一つの具体的な成果物（たとえば「プロジェクトにそのままミックスできるオーディオパック」）に対して検証可能な仕様を定義し、それに対する異なるシステムの準拠率を報告する。

3. 自己確認ループは断ち切られなければならない。 これを露呈させるのは、モデル審査員が人間より3.32パーセントポイント寛容であること[113]、三値判定における50.0%の一致率[75]、そしてSPINEにおける、評価者と被評価概念が同一のソースを共有する構造[152]である。この方向を指し示す実践は、独立したモデルファミリーや人間によるブラインドレビューを導入すること、そして「不確実」レベルを明示的にモデル化することである[75]。実施可能なテスト：一つのサンプルについて三者（モデル審査員、人間、実行可能な検証）のペアワイズ一致を報告し、それらが不一致となるケースを公表する。

4. 長期的整合性とリアルタイム性能の共同制約。 これを露呈させるのは、分離路線からの二つの数値である。状態精度98.00 [66]と、34 GBのVRAMで1.55秒のレイテンシ[201]である。この方向を示す研究には、ブロックメモリ機構[66]や少数ステップ蒸留レンダリング[201]がある。実行可能なテスト：レンダリング品質を固定した上で、数百回のインタラクションステップにわたる整合性減衰曲線を、レイテンシとVRAMとともに報告する。

5. 自然な欠陥と組織的純効果。 これを露呈させるのは二つの空白である。欠陥実験はほぼすべて注入ベースであり（第7章）、チームレベルの前後比較を行った研究は存在しない（10.4節）。この方向を示す研究には、欠陥サンプルライブラリの公開の試み[9][189]や、理解負債に関する定性的研究[163]がある。実行可能なテスト：実プロジェクトから抽出した自然な欠陥のセットを公開し、少なくとも二つの独立したシステムに同一サンプル上での検出率を報告させる。

要点

• 五つの未解決問題はすべて上記の証拠ギャップから直接導かれ、それぞれに実行可能なテストが伴う。
• 最も緊急なのは検証器の報告標準である。これが他の四つの背後にある数値同士を比較可能にするかどうかを決める[148][46]。
• コンテンツ配信の基準と音声ミドルウェアの統合は、実質的な進展を最も得やすい領域である[6][16]。
• 自然な欠陥と組織的純効果は新たなデータ源を必要とし、単一の論文が短期的に決着させることは困難である[163][208]。

14 結論

本サーベイは、2025年以降にエージェントがゲーム制作に参入した六つの主要な路線を検討し、その証拠を同一の土台で比較した。安全に述べることのできる結論は四つである。

第一に、この分野の分断はモデルではなくタスク面によって定まる。エンジニアリングとアセット成果物には客観的な基準があるため、進展が蓄積される。コンパイルゲート[51]、実行時アサーション[43]、物理レポート[6]、幾何チェック[206]は「使えるかどうか」を再検査可能な数値に変えてきた。一方、UI、カットシーン、音声、デザイン発想は、ゲーム向け成果物の基準が存在しないため、代理指標にとどまっている。第二に、検証器の選択はモデル間の差よりも大きく結論を変える。これは四つの独立した証拠群によって裏付けられる（92.59%対78.41% [46]、上位五つが1.1pp以内で解集合がほとんど重ならない[69]、43%対0.000 [114]、630件中387件がすべてのチェックに合格する一方で87件が仕様上60未満[148]）。これが本サーベイが報告するすべての数値の文脈に検証器レベル（V0–V6）を書き込む理由である。第三に、整合性に対する現在の答えは外部構造に依存している。ルールをコードとして、知識を木として、レイアウトをファイルとして書くことは、構造を書き下せるあらゆる場面で内部化よりも著しく優れた整合性をもたらし[66][98][16]、書き下せない場面では議論すら始まっていない。第四に、人間の位置は自動化に取って代わられたのではなく、価格を付け直された。発散における利得は明らかである一方、収束においては制御感、選択の根拠、待機コストが新たなボトルネックとなり[194][152][56]、プレイヤー側の負の信号は測定可能だがまだ帰属は特定されていない[208]。

構造面では、本サーベイが提示する枠組み（タスク面 × 環境面 × 検証器、および4基準とV0–V6）は後続の研究で再利用できる。新しいゲーム制作エージェントはどれも一度$(T, E, A, V, K, D)$として記述すれば、検証器の水準によって比較できる。これこそが本サーベイが残したい主なものであり、論文のリストではなく、数値を比較可能にする記帳の枠組みである。

要点

• 6つの系統にわたる進歩のペースを決めるのは基準の強さであり、モデル能力ではない。
• 検証器の選択はこの分野最大の交絡変数であり、V0–V6と4基準を通じて明示的に報告されなければならない[46][69][114][148]。
• 一貫性に対する実用的な答えは「構造を記述できる」側にあり、記述できない箇所は空白のままである[66][98]。
• 人間の位置づけは再評価される。発散は評価を得て、収束は摩擦を生み、プレイヤー側には測定可能だが帰属先の不明な負の信号が存在する[194][208]。

付録A　範囲とエビデンスの境界

A.1 時間枠、情報源、スクリーニング

• 時間枠: v1の投稿日が2025-01-01以降（改訂版は日付判定に用いない）、検索の実行は2026-10-13まで。
• 検索経路: 13経路を交差フィルタリングではなく和集合で結合した——6つのキーワードフィルタ、3つの意味的検索、3つの情報源・カテゴリ制限経路（毎日のarXivアナウンスおよび指定カテゴリを含む）、1つの引用展開。
• スクリーニングの流れ: 13経路の和集合で3,362件 → 第1ラウンドで354件に絞り込み精査 → 第2ラウンドで137件を保持し217件を除外 → 誤除外を修正するため、除外論文を個別に再読して64件を回復し、さらに手動精査で23件を回復、1件の欠落を補完（3群は相互排他的ではなく合計88件） → 重複除去後のコアコーパスは210件で、第2ラウンドの137件から純増73件。
• 包含基準: ゲーム制作活動（生成、修正、検証、評価）をエージェントを中心に組織する研究。これに応じて3種類を除外する：ゲーム制作パイプラインから引用されない単独の生成モデル、純粋にプレイヤー側の体験研究、純粋なレンダリング技術。除外事例の中で最大のグループは「単一の3Dまたは画像生成モデル」であり、その技術的前提としての役割は本文では対比としてのみ現れる。
• 基準の既知の2つの限界: 第一に、「エージェント中心」は隣接分野（一般的なソフトウェア工学、一般的な3D生成）との境界における判断に依存するため、ゲームが副次的な設定である研究は見落とされる可能性がある。第二に、コーパスは英語のプレプリントが支配的であり、非公開の産業システム（たとえば商用エンジンベンダーの社内ツール）は入り込めない。

A.2 読解の深さと引用階層

210本の論文は、証拠の強さによって3つの層に格付けされている。112本は全文の該当箇所を読んだもの（95本はティアAで、その数値は本文中で直接引用されるか節ごとに伝達される。17本はティアBで、全文を読んだが定性的な引用または並置的な引用にのみ用いた）、そして98本は抄録レベル（ティアCで、タイトルと抄録からのみ引用し、読んでいないメカニズムや数値の伝達は行わない）である。さらに1本の論文（[163]）は、本文を入手できなかったため抄録レベルに読書ノートを加えた扱いとしており、その結論は本文中に定性的な形でのみ現れる。3つの層すべてについての論文ごとの記録は、ビルド台帳（読書深度、引用ティア、出典ロケータ）にある。

A.3 抄録レベルの証拠リスト（98本）

以下の著作は、本サーベイではタイトルと抄録からのみ引用されているため、本サーベイの結論の根拠としてではなく、さらなる読み物として読むことができる。最も関連の深い章ごとにグループ化している。

第4章（コードとエンジニアリング）に関連: [78] Harness-of-Harness（複数日にわたる自律開発）、[94] 知識誘導型のアプリケーションレベルコード生成、[129] Fly, Fail, Fix（強化学習とマルチモーダルモデルによる反復修復）、[158] LLM支援によるエンドレスランナーのリファクタリング、[186] PlayTrain（強化学習を用いたLLM生成JSゲーム）。

第5章（コンテンツ制作）に関連: [2] SceneLCM、[3] SimWorld Studio、[5] 生成的オントロジー、[13] マルチエージェント強化学習としてのレベルデザイン、[27] AnimeAgent、[31] IPCGRL、[33] StoryBlender（絵コンテの一貫性）、[48] 手続き型シーンプログラム、[54] 物語プロトタイプの意味的信号、[61] シーン記述からのエージェントによる物語執筆、[64] BackgroundMellow（映画的なサウンドスケープ）、[67] 架空世界構築のためのマルチエージェント協働、[74] PhiP-G（物理誘導型テキストto3Dシーン）、[80] Constella（キャラクター関係の共同創作）、[81] Plug-and-Play Dramaturge（反復的な脚本改善）、[82] 手続き型コンテンツのメタ生成、[88] MajutsuCity、[93] 反応型キャラクター行動に対する手続き型戦略探索、[101] レベルデザインのための深層強化学習、[102] 3Dify（MCP + RAGによる手続き型3D-CG）、[118] SceneCode（編集可能な可動オブジェクトを備えた実行可能な世界プログラム）、[119] OpenBlock、[131] CoComposer（マルチエージェント音楽協働）、[133] MoGraphGPT、[135] Valerant（ナビゲート可能なマップ生成）、[137] AniME（長編アニメーションのための適応型マルチエージェント計画）、[142] M³VIRデータセット、[143] Elemental Alchemist（パーティクルシステムの意味的制御）、[147] Puppeteer（リギングとアニメーション）、[150] Spiritus（2Dキャラクターとアニメーション）、[153] EasyCraft（アバターの組み立て）、[155] Bunraku（Live2Dキャラクター）、[156] GameTileNet（低解像度のゲームアートデータセット）、[165] データベース駆動型の3Dレベル生成、[167] 人間に整合した手続き型レベル生成、[168] SPRITETOMESH、[169] Angry Birdsのレベル安定化、[170] SonicRAG（検索拡張型の効果音）、[172] 感情アーク誘導型のレベル生成、[173] アトラス形式の3Dアセット分割ワークフロー、[174] GenTune（環境デザインにおける追跡可能なプロンプティング）。

第6章（生成的ワールドモデル）に関連: [10] Orchestrated Reality（パラメトリック行動POMDPワールドシミュレーション）、[17] World Editing（実行可能ワールドへの層状介入）、[22] ファジィ認知マップから因果的仮想世界へ、[52] GS-Agent（生成されたシミュレーテッド4D物理世界）、[65] マルチアクターシーンオーサリングのためのツール制約付きエージェント、[68] WorldGen（テキストから走査可能な3Dワールドへ）、[120] CASCADE、[164] PROWBench（動画モデルがプログラムの指定どおりに描画するか）。

第7章（テストと品質保証）に関連: [12] ゲームQAにおける幾何学的クリッピング検出、[19] FactorSmith（MDP分解によるシミュレーション生成）、[24] エンドレスランナーにおけるプロシージャルコンテンツの実行時評価、[60] 3Dゲームのためのビヘイビア駆動開発、[70] 人間と機械の協調によるゲームテスト、[85] レーシングレベルのバランスのためのシミュレーション駆動型手法、[86] ベイズ最適化に基づくテストエージェントの制御、[104] MMOのための生成型マルチエージェントプレイテストシミュレーション、[105] 3Dゲームの好奇心駆動型テスト、[121] シナリオ駆動型ニューロ進化的テスト生成、[138] ゲームプレイ動画からの欠陥フレームの検索、[179] 19,738フレームにわたるVLMの視覚的欠陥検出能力。

第8章（設計と人間とAIの協働）に関連: [149] 中規模LLMによるゲームコンセプトのアイデア生成、[163] リソース制約のあるインディペンデントチームにおける理解負債、[190] Design Creativity Bench（UI生成における創造性の測定）。

第9章および第11章（ベンチマークとリソース）に関連: [111] WorldBench（ボクセルワールド生成）、[128] GenAI4IDN 3.0、[151] セマンティクス対応のゲーム画像品質評価、[160] プロシージャルコンテンツ生成ベンチマーク、[198] AI for Games in the Foundation Model Era、[209] AI Native Games: A Survey and Roadmap。

第12章（応用）に関連: [7] Storycaster、[37] WhatELSE、[45] GenEscape（脱出ルームパズル）、[47] D&Dの動的難易度、[73] GardenDesigner、[97] GenLARP、[106] GamED.AI、[116] シリアスゲームのためのプロシージャルコンテンツ評価、[126] Cardiverse、[130] SPHERE、[140] 記号的足場を用いたNPC対話、[141] XARP Tools、[154] トレーディングカードの生成と関連性、[157] BLOCK（Minecraftスキンパイプライン）、[171] Hunyuan3D Studio、[175] テーブルトークRPGのためのモンスターレベル予測、[176] Narrative Context Protocol、[180] Amorphous Fortress Online、[183] MagicCraft、[188] Vibe Coding XR、[193] Boardwalk、[202] Hunyuan-Game、[203] スマートブラシによるマップ編集、[205] LETGAMES（認知トレーニング）。

A.4 薄いエビデンスの葉ノードと既知の限界

以下の葉ノードは、他のものに比べてエビデンスが著しく薄く、本文ではそれらの結論のすべてに注意を促している。UIは3本の論文（[125][36][177]）、カットシーンは5本（[71][15]など）、音声は7本（[32][55][117][131][64][170][145]）、設計アイデア生成は7本（[194][178][30][149][195][190][41]）である。これらの共通点は、技法の欠如ではなく、提供志向の基準の欠如である（この点は5.7節で詳述する）。

読者が心に留めておくべき他の境界：欠陥実験は主に注入ベースであり、実際の欠陥報告や実際のクラッシュを用いたものはごく少数である（[59]）；エンジンをまたいで実行されるベンチマークは存在しないため、「環境の難しさ」を独立した次元として測定することはできない；コスト、レイテンシ、VRAMを報告している研究はごく少数である（[44][56][201]）；モデル審査員と評価対象システムの同一ファミリー関係は、複数の箇所で著者ら自身によって限界として認められており（[113][107]）、本稿では独立に再確認していない；そしてプレイヤー体験に関するアンケート研究は全体的に方法論的に弱い（[27]）ため、引用は尺度とサンプルにまで遡るべきである。本サーベイが行わなかったこと：メタ分析は行っておらず、ベンチマークの独立した再現も行っておらず、非公開システムからの自己報告結果に対する第三者検証も行っていない——したがって、すべての「主要な数値」は、それぞれの設定の下での原著者らの報告として読まれるべきであり、本サーベイはそれらを検証器レベル内でのみ比較している。

付録B　リーフから章へのマッピングとリーフ間の重複

分類ツリー（図4）のリーフは章に一対一で対応するわけではない：複数の研究が二つの主要な系統に現れており、以下の表はそれらがどのように扱われているかを記録している。重複が生じる場合、本サーベイはその研究が自ら主張する分野に対してではなく、その章で論じられる能力に対してその研究を引用する。

表12　リーフから章への対応とリーフ間の重複。一つの研究が異なる観点から複数の章に現れうるため、ある章にしか現れない番号が別の章で却下されたことを意味するものではない。

この表の目的は、一つの研究が異なる観点から異なる章に現れることを明確にすることであり、ある章にしか現れない番号が別の章で却下されたことを意味するものではない。

References

Entries are taken from the library metadata of the 210 core papers; years are derived from the YYMM of the arXiv identifier and are consistent with the link printed alongside each entry; author lists are marked with et al. where the library record is truncated; the corpus is dominated by preprints, so all entries are labelled arXiv preprint and their journal or conference status was not verified individually.

[1] Zizhen Li, Chuanhao Li, Yibin Wang, et al. AutoBG: A Board Game Design Assistant with Interactive Ideation, Iterative Rulebook Generation, and Individualized Feedback. 2026. arXiv preprint. arXiv:2606.01976

[2] Yangkai Lin, Jiabao Lei, Kui Jia. SceneLCM: End-to-End Layout-Guided Interactive Indoor Scene Generation with Latent Consistency Model. 2025. arXiv preprint. arXiv:2506.07091

[3] Haoqiang Kang, Xiaokang Ye, Yuhan Liu, et al. SimWorld Studio: Automatic Environment Generation with Evolving Coding Agent for Embodied Agent Learning. 2026. arXiv preprint. arXiv:2605.09423

[4] Runxin Yang, Yuxuan Wan, Shuqing Li, et al. 90% Faster, 100% Code-Free: MLLM-Driven Zero-Code 3D Game Development. 2025. arXiv preprint. arXiv:2509.26161

[5] Benny Cheung. Generative Ontology: When Structured Knowledge Learns to Create. 2026. arXiv preprint. arXiv:2602.05636

[6] Xudong Cai, Ruijie Zhu, Haoliang Shang, et al. Towards Physically Grounded Articulated 3D Assets: A Multi-Agent Pipeline and Benchmark. 2026. arXiv preprint. arXiv:2610.13947

[7] Naisha Agarwal, Judith Amores, Andrew D. Wilson. Storycaster: An AI System for Immersive Room-Based Storytelling. 2025. arXiv preprint. arXiv:2510.22857

[8] Muhammad U. Nasir, Yuchen Li, Steven James, Julian Togelius. Mortar: Evolving Mechanics for Automatic Game Design. 2026. arXiv preprint. arXiv:2601.00105

[9] Enhong Mu, Jinyu Cai, Yijun Lu, et al. Knowledge Graph-enhanced Large Language Model for Incremental Game PlayTesting. 2025. arXiv preprint. arXiv:2511.02534

[10] Yuhang Huang, Chenmiao Li, Chaowei Fang. Orchestrated Reality: From Role-Play to Living, Playable Game Worlds — LLM-Driven World Simulation as a Parameterized-Action POMDP. 2026. arXiv preprint. arXiv:2606.16014

[11] Shuyuan Zhang, Chenhan Jiang, Zuoou Li, et al. ShapeCraft: LLM Agents for Structured, Textured and Interactive 3D Modeling. 2025. arXiv preprint. arXiv:2510.17603

[12] Carlos Celemin, Benedict Wilkins, Adrián Barahona-Ríos, et al. Evaluating VLMs for Autonomous Agent-Driven Geometry Clipping Detection in Video Game QA. 2026. arXiv preprint. arXiv:2607.25921

[13] Sam Earle, Zehua Jiang, Eugene Vinitsky, et al. Video Game Level Design as a Multi-Agent Reinforcement Learning Problem. 2025. arXiv preprint. arXiv:2510.04862

[14] Yinglin Duan, Zhengxia Zou, Tongwei Gu, et al. LatticeWorld: A Multimodal Large Language Model-Empowered Framework for Interactive Complex World Generation. 2025. arXiv preprint. arXiv:2509.05263

[15] Aditya Gunturu, Ben Pearman, Keiichi Ihara, et al. MapStory: Prototyping Editable Map Animations with LLM Agents. 2025. arXiv preprint. arXiv:2505.21966

[16] Jianwen Sun, Yukang Feng, Kaining Ying, et al. World Craft: Agentic Framework to Create Visualizable Worlds via Text. 2026. arXiv preprint. arXiv:2601.09150

[17] Max Ku, Nok-Kan Law, Yu-Chien Tang, et al. World Editing: Intervening on Executable Worlds at Increasing Depth. 2026. arXiv preprint. arXiv:2610.02331

[18] Wenjin Wang, Jiazhen Lei, Yuxin Sha, et al. NarrativeSteward: Coordinating Delegation, Guidance, and Verification in Agent-Assisted Interactive Narrative Authoring. 2026. arXiv preprint. arXiv:2609.39333

[19] Ali Shamsaddinlou, Morteza NourelahiAlamdari. FactorSmith: Agentic Simulation Generation via Markov Decision Process Decomposition with Planner-Designer-Critic Refinement. 2026. arXiv preprint. arXiv:2603.20270

[20] Valliappan Chidambaram Adaikkappan, Vincent Martineau, Joshua Romoff, et al. CA2: Code-Aware Agent for Automated Game Testing. 2026. arXiv preprint. arXiv:2605.13918

[21] Lim Chien Her, Ming Yan, Yunshu Bai, et al. Zero-shot 3D Map Generation with LLM Agents: A Dual-Agent Architecture for Procedural Content Generation. 2025. arXiv preprint. arXiv:2512.10501

[22] Akash Kumar Panda, Olaoluwa Adigun, Bart Kosko. Converting Sequenced Fuzzy Cognitive Maps to Causal Virtual Worlds with Large Video Generators. 2026. arXiv preprint. arXiv:2609.14985

[23] Chaobo Jia, Ruipeng Wan, Ting Sun, et al. GameGen-Verifier: Parallel Keypoint-Based Verification for LLM-Generated Games via Runtime State Injection. 2026. arXiv preprint. arXiv:2605.07442

[24] Rishabh Kar. Runtime Evaluation of Procedural Content Generation in an Endless Runner Game Using Autonomous Agents. 2026. arXiv preprint. arXiv:2605.01783

[25] Sam Earle, Ahmed Khalifa, Muhammad Umair Nasir, et al. ScriptDoctor: Automatic Generation of PuzzleScript Games via Large Language Models and Tree Search. 2025. arXiv preprint. arXiv:2506.06524

[26] Xiaokang Ye, Siddhant Hitesh Mantri, Zimeng Chen, et al. Code4Scene: Benchmarking Coding Agents for Constructing and Editing 3D Scenes. 2026. arXiv preprint. arXiv:2609.36777

[27] Hailong Yan, Shice Liu, Tao Wang, et al. AnimeAgent: Is the Multi-Agent via Image-to-Video models a Good Disney Storytelling Artist? 2026. arXiv preprint. arXiv:2602.20664

[28] Enhong Mu, Minami Yoda, Yan Zhang, et al. Synergizing Code Coverage and Gameplay Intent: Coverage-Aware Game Playtesting with LLM-Guided Reinforcement Learning. 2025. arXiv preprint. arXiv:2512.12706

[29] Brian La, Sejoon Chang, Ben Kim, et al. GameEngineBench: Evaluating Coding Agents on Real C++ Runtime Environments. 2026. arXiv preprint. arXiv:2607.03525

[30] Zhuangze Hou, Jingze Tian, Nianlong Li, et al. EchoLadder: Progressive AI-Assisted Design of Immersive VR Scenes. 2025. arXiv preprint. arXiv:2508.02173

[31] In-Chang Baek, Sung-Hyun Kim, Seo-Young Lee, et al. IPCGRL: Language-Instructed Reinforcement Learning for Procedural Level Generation. 2025. arXiv preprint. arXiv:2503.12358

[32] Yifan Duan, Qixiang Xu, Hengtao Wu, et al. Audio-Oscar: A Multi-Agent System for Complex Audio Scene Generation, Orchestration, and Refinement. 2026. arXiv preprint. arXiv:2606.07397

[33] Bingliang Li, Zhenhong Sun, Jiaming Bian, et al. StoryBlender: Inter-Shot Consistent and Editable 3D Storyboard with Spatial-temporal Dynamics. 2026. arXiv preprint. arXiv:2604.03315

[34] Shutong Wu, Kevin Calderone, Andy Tsen. CraftBench-UE: Deterministic Evaluation for Coding Agents in Unreal Engine. 2026. arXiv preprint. arXiv:2609.23142

[35] Sining Lu, Guan Chen, Nam Anh Dinh, et al. LL3M: Large Language 3D Modelers. 2025. arXiv preprint. arXiv:2508.08228

[36] Wei Zeng, Fengwei An, Zhen Liu, et al. GameUIAgent: An LLM-Powered Framework for Automated Game UI Design with Structured Intermediate Representation. 2026. arXiv preprint. arXiv:2603.14724

[37] Zhuoran Lu, Qian Zhou, Yi Wang. WhatELSE: Shaping Narrative Spaces at Configurable Level of Abstraction for AI-bridged Interactive Storytelling. 2025. arXiv preprint. arXiv:2502.18641

[38] Kun Chen, Haorong Hong, Peizhong Gao, et al. GameXpert-Bench: How Far Are Coding Agents from Expert Game Development? 2026. arXiv preprint. arXiv:2608.21833

[39] Tiffany Wang, Yuqian Sun, Yi Wang, Melissa Roemmele, John Joon Young Chung, Max Kreminski. Design Techniques for LLM-Powered Interactive Storytelling: A Case Study of the Dramamancer System. 2026. arXiv preprint. arXiv:2601.18785

[40] Matt Zhou, Ruining Li, Xiaoyang Lyu, et al. Articraft: An Agentic System for Scalable Articulated 3D Asset Generation. 2026. arXiv preprint. arXiv:2605.15187

[41] Daijin Yang, Erica Kleinman, Casper Harteveld. Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design. 2026. arXiv preprint. arXiv:2603.03644

[42] Chunjiang Liu, Xiaoyuan Wang, Haoyu Chen, et al. SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation. 2026. arXiv preprint. arXiv:2607.01766

[43] Xinyu Che, Yunfei Ge, Shihao Li, et al. GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions. 2026. arXiv preprint. arXiv:2609.21562

[44] Jiajie Wang, Kebin Peng, Wei Wang, et al. ExploreAI: Agentic Exploration Knowledge Bases for Reproducible Observable-Regression Testing of Black-Box VR and 3D Applications. 2026. arXiv preprint. arXiv:2608.21628

[45] Mengyi Shan, Brian Curless, Ira Kemelmacher-Shlizerman, et al. GenEscape: Hierarchical Multi-Agent Generation of Escape Room Puzzles. 2025. arXiv preprint. arXiv:2506.21839

[46] Xiaoyu Chen, Lai Wei, Jin Wang, et al. SWE-Game: Can Coding Agents Build the Games We Want? 2026. arXiv preprint. arXiv:2609.33678

[47] Carlo Romeo, Andrew D. Bagdanov. NTRL: Encounter Generation via Reinforcement Learning for Dynamic Difficulty Adjustment in Dungeons and Dragons. 2025. arXiv preprint. arXiv:2506.19530

[48] Maxim Gumin, Do Heon Han, Seung Jean Yoo, et al. Procedural Scene Programs for Open-Universe Scene Generation: LLM-Free Error Correction via Program Search. 2025. arXiv preprint. arXiv:2510.16147

[49] Yixu Huang, Bo Li, Na Li, et al. GUI Agents for Continual Game Generation. 2026. arXiv preprint. arXiv:2605.28258

[50] Seonho Lee, Wonryeol Jeong, Alberto Cereser, et al. A2Z GameSpec-Bench: How Faithfully Can Coding Agents Generate Games from Game Design Specifications? 2026. arXiv preprint. arXiv:2609.39564

[51] Lei Yin, Wentao Cheng, Zhida Qin, et al. AutoUE: Automated Generation of 3D Games in Unreal Engine via Multi-Agent Systems. 2026. arXiv preprint. arXiv:2603.07106

[52] Hongxin Zhang, Chunru Lin, Junyan Li, et al. GS-Agent: Creating 4D Physical Worlds With Generative Simulation. 2026. arXiv preprint. arXiv:2607.21522

[53] Jinyan Yuan, Bangbang Yang, Keke Wang, et al. ImmerseGen: Agent-Guided Immersive World Generation with Alpha-Textured Proxies. 2025. arXiv preprint. arXiv:2506.14315

[54] Yunge Wen, Chenliang Huang, Hangyu Zhou, et al. The Garden of Forking Paths: Threading Narrative Archetype as a Semantic Signal Through Gameplay Planning. 2026. arXiv preprint. arXiv:2605.01245

[55] Yiming Ren, Xuenan Xu, Ziyang Zhang, et al. AuDirector: A Self-Reflective Closed-Loop Framework for Immersive Audio Storytelling. 2026. arXiv preprint. arXiv:2605.11866

[56] Yifei Chen, Sarra Habchi, Lili Wei. MIMIC: Integrating Diverse Personality Traits for Better Game Testing Using Large Language Model. 2025. arXiv preprint. arXiv:2510.01635

[57] Pengfei Zhou, Hexin Wang, Zhengfeiyang Zhang, et al. Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models. 2026. arXiv preprint. arXiv:2608.25518

[58] Jianwen Sun, Chuanhao Li, Zizhen Li, et al. JAMER: Project-Level Code Framework Dataset and Benchmark on Professional Game Engines. 2026. arXiv preprint. arXiv:2606.19830

[59] Eray Yapagci, Yavuz Alp Sencer Öztürk, Eray Tüzün. Agents in the Sandbox: End-to-End Crash Bug Reproduction for Minecraft. 2025. arXiv preprint. arXiv:2503.20036

[60] Fernando Pastor Ricós, Beatriz Marín, I. S. W. B. Prasetya, et al. Behavior Driven Development for 3D Games. 2025. arXiv preprint. arXiv:2506.17057

[61] Vinayak Regmi, Christos Mousas. LLM-Based Authoring of Agent-Based Narratives through Scene Descriptions. 2025. arXiv preprint. arXiv:2512.20550

[62] Geonwoo Bang, DongMyung Kim, Hayoung Oh. SNAP: A Plan-Driven Framework for Controllable Interactive Narrative Generation. 2026. arXiv preprint. arXiv:2601.11529

[63] Jiajun Chen, Haoyu Wu, Mingda Jia, et al. Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness. 2026. arXiv preprint. arXiv:2610.08621

[64] Ajitesh Jamulkar, Aritra Hazra. BackgroundMellow: A Multi-Modal Cohesive Framework for Narrative-Driven Rich Cinematic Soundscape Generation. 2026. arXiv preprint. arXiv:2607.11364

[65] Nicolae Cudlenco, Mihai Masala, Marius Leordeanu. Authoring for Living Worlds: Tool-Constrained LLM Agents for Executable Multi-Actor Scenarios. 2026. arXiv preprint. arXiv:2604.10383

[66] Zheng-Hui Huang, Guixu Lin, Jiacheng Lin, et al. Programmable World Model. 2026. arXiv preprint. arXiv:2609.10540

[67] Jingbo Chen, He Wang, Wei Yuan, et al. Fictional Worldbuilding: Multi-Agent LLM Collaboration with Hierarchical Context Compression and Iterative Review. 2026. arXiv preprint. arXiv:2607.09403

[68] Dilin Wang, Hyunyoung Jung, Tom Monnier, et al. WorldGen: From Text to Traversable and Interactive 3D Worlds. 2025. arXiv preprint. arXiv:2511.16825

[69] Eray Turkel, Mengsha Sun, Kartik Ayyar, et al. OpenGameEval: Benchmarking Agentic Programming and Exploration in a Stateful Game Engine. 2026. arXiv preprint. arXiv:2610.02563

[70] Boran Zhang, Muhan Xu, Zhijun Pan. Human-AI Collaborative Game Testing with Vision Language Models. 2025. arXiv preprint. arXiv:2501.11782

[71] Lanshan He, Haozhou Pang, Qi Gan, et al. Cutscene Agent: An LLM Agent Framework for Automated 3D Cutscene Generation. 2026. arXiv preprint. arXiv:2604.25318

[72] Weiwei Jiang, Wanyu He, Zheyu Tan, et al. CoGen3D: An Agentic Human-AI Co-Design Pipeline for 3D Asset Generation for Virtual Reality. 2026. arXiv preprint. arXiv:2607.03731

[73] Mengtian Li, Fan Yang, Ruixue Xiong, et al. GardenDesigner: Encoding Aesthetic Principles into Jiangnan Garden Construction via a Chain of Agents. 2026. arXiv preprint. arXiv:2604.01777

[74] Qixuan Li, Chao Wang, Zongjin He, et al. PhiP-G: Physics-Guided Text-to-3D Compositional Scene Generation. 2025. arXiv preprint. arXiv:2502.00708

[75] Wenyu Zhang, Guoliang You, Tianlun, et al. WebGameBench: Requirement-to-Application Evaluation for Coding Agents via Browser-Native Games. 2026. arXiv preprint. arXiv:2605.17637

[76] Chunchao Guo, Jinpeng Li, Yang Li, et al. WorldClaw: Agentic 3D Open-World Generation at Scale. 2026. arXiv preprint. arXiv:2608.05248

[77] Shenhua Gu, Hongqiang Zhu, Fan Zhang, et al. Unity Insight: A Production Code–Asset Index for LLM Coding Agents in Unity Projects. 2026. arXiv preprint. arXiv:2609.27585

[78] Haoyang Yan, Min-le Su, Hangfan Zhang, et al. Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement. 2026. arXiv preprint. arXiv:2609.01481

[79] Alexia Jolicoeur-Martineau. Multi-Agent Game Generation and Evaluation via Audio-Visual Recordings. 2025. arXiv preprint. arXiv:2508.00632

[80] Syemin Park, Soobin Park, Youn-kyung Lim. Constella: Supporting Storywriters' Interconnected Character Creation through LLM-based Multi-Agents. 2025. arXiv preprint. arXiv:2507.05820

[81] Wenda Xie, Chao Guo, Yanqing Jing, et al. Plug-and-Play Dramaturge: A Divide-and-Conquer Approach for Iterative Narrative Script Refinement via Collaborative LLM Agents. 2025. arXiv preprint. arXiv:2510.05188

[82] Matthew Siper, Ahmed Khalifa, Julian Togelius. Procedural Content Metageneration via Program Search and Continual Abstraction Discovery. 2026. arXiv preprint. arXiv:2608.17947

[83] Boyu Qiao, Zixin Tang, Xiaoshuai Hao, et al. GameReplica: A Benchmark for Black-Box Visual Game Replication by Vision-Language Agents. 2026. arXiv preprint. arXiv:2609.22308

[84] Esen K. Tütüncü, Qian Zhou, Frederik Brudy, et al. PlayWrite: A Multimodal System for AI Supported Narrative Co-Authoring Through Play in XR. 2026. arXiv preprint. arXiv:2603.02366

[85] Florian Rupp, Manuel Eberhardinger, Kai Eckert. Simulation-Driven Balancing of Competitive Game Levels with Reinforcement Learning. 2025. arXiv preprint. arXiv:2503.18748

[86] Carlos Celemin. Bayesian Optimization-based Search for Agent Control in Automated Game Testing. 2025. arXiv preprint. arXiv:2508.13121

[87] Alexander Sasha Vezhnevets, Jayd Matyas, Logan Cross, et al. Multi-Actor Generative Artificial Intelligence as a Game Engine. 2025. arXiv preprint. arXiv:2507.08892

[88] Zilong Huang, Jun He, Xiaobin Huang, et al. MajutsuCity: Language-driven Aesthetic-adaptive City Generation with Controllable 3D Assets and Layouts. 2025. arXiv preprint. arXiv:2511.20415

[89] Yifei Chen, Sarra Habchi, Lili Wei. MIMIC-Py: An Extensible Tool for Personality-Driven Automated Game Testing with Large Language Models. 2026. arXiv preprint. arXiv:2604.07752

[90] Jinyu Cai, Jialong Li, Nianyu Li, et al. SAGE: Semantic-Aware Gray-Box Game Regression Testing with Large Language Models. 2025. arXiv preprint. arXiv:2512.00560

[91] Ziyao Zeng, Chen Liu, Tianyu Liu, et al. RuleSmith: Multi-Agent LLMs for Automated Game Balancing. 2026. arXiv preprint. arXiv:2602.06232

[92] Tsz Hei Fan, Choi Wing Fung, Yuxuan Wan, et al. MAGIC: Transition-Aware Generation of Navigable Multi-Scene Game Worlds with Large Language Models. 2026. arXiv preprint. arXiv:2607.11594

[93] Maxim Gumin, Hsueh-Ti Derek Liu, Victor Zordan, et al. Synthesizing Reactive Character Behaviors for Continuous Games via Programmatic Policy Search. 2026. arXiv preprint. arXiv:2609.24025

[94] Qian Xiong, Bo Yang, Weisong Sun, et al. Knowledge-Guided Multi-Agent Framework for Application-Level Software Code Generation. 2025. arXiv preprint. arXiv:2510.19868

[95] Hongnan Ma, Han Wang, Shenglin Wang, et al. CreativeGame: Toward Mechanic-Aware Creative Game Generation. 2026. arXiv preprint. arXiv:2604.19926

[96] Wenyi Wu, Minghao Fu, Jieyu You, et al. RSIGame: Autonomous Agentic Game Development with Recursive Self-improvement. 2026. arXiv preprint. arXiv:2609.39045

[97] Yichen Yu, Yifan Jiang, Mandy Lui, et al. GenLARP: Enabling Immersive Live Action Role-Play through LLM-Generated Worlds and Characters. 2025. arXiv preprint. arXiv:2510.14277

[98] Parsa Rahmati, Richard Zhao. Enforcing Narrative Reliability and Epistemic Pacing in LLM-Driven Detective Games via Structured Knowledge Trees. 2026. arXiv preprint. arXiv:2609.23043

[99] Wei Zhang, Jack Yang, Renshuai Tao, et al. V-GameGym: Visual Game Generation for Code Large Language Models. 2025. arXiv preprint. arXiv:2509.20136

[100] Yilei Jiang, Jinyuan Hu, Qianyin Xiao, et al. OpenGame: Open Agentic Coding for Games. 2026. arXiv preprint. arXiv:2604.18394

[101] Mirac Buğra Özkan. Procedural Game Level Design with Deep Reinforcement Learning. 2025. arXiv preprint. arXiv:2510.15120

[102] Shun-ichiro Hayashi, Daichi Mukunoki, Tetsuya Hoshino, Satoshi Ohshima, Takahiro Katagiri. 3Dify: a Framework for Procedural 3D-CG Generation Assisted by LLMs Using MCP and RAG. 2025. arXiv preprint. arXiv:2510.04536

[103] Dominik Borawski, Marta Szulc, Robert Chudy, et al. From World-Gen to Quest-Line: A Dependency-Driven Prompt Pipeline for Coherent RPG Generation. 2026. arXiv preprint. arXiv:2604.25482

[104] Ran Zhang, Kun Ouyang, Tiancheng Ma, et al. Beyond Playtesting: A Generative Multi-Agent Simulation System for Massively Multiplayer Online Games. 2025. arXiv preprint. arXiv:2512.02358

[105] Raihana Ferdous, Fitsum Kifetew, Davide Prandi, et al. Curiosity Driven Multi-agent Reinforcement Learning for 3D Game Testing. 2025. arXiv preprint. arXiv:2502.14606

[106] Shiven Agarwal, Yash Shah, Ashish Raj Shekhar, et al. GamED.AI: A Hierarchical Multi-Agent Framework for Automated Educational Game Generation. 2026. arXiv preprint. arXiv:2604.23947

[107] Wei Wu, Ziyang Xu, Zeyu Zhang, et al. Code2Games: Enabling Coding Agents for Gaming World Generation. 2026. arXiv preprint. arXiv:2610.05033

[108] Micaela Vaucher, Santiago Silveira, Santiago Góngora, et al. IVIE: A Neuro-symbolic Approach to Incremental and Validated Generation of Interactive Fiction Worlds. 2026. arXiv preprint. arXiv:2606.13348

[109] Zhiyuan Peng, Wei Tao, Xin Yin, et al. PlayCoder: Making LLM-Generated GUI Code Playable. 2026. arXiv preprint. arXiv:2604.19742

[110] Yan Zhao, Chiwei Tang. Towards LLM-Based Automatic Playtest. 2025. arXiv preprint. arXiv:2507.09490

[111] Krish Bakshi. WorldBench: Evaluating LLMs on Three.js Voxel World Generation. 2026. arXiv preprint. arXiv:2610.10622

[112] Mohammad Reza Taesiri, Abhijay Ghildyal, Saman Zadtootaghaj, et al. VideoGameQA-Bench: Evaluating Vision-Language Models for Video Game Quality Assurance. 2025. arXiv preprint. arXiv:2505.15952

[113] Tongxu Luo, Rongsheng Wang, Jiaxi Bi, et al. GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine? 2026. arXiv preprint. arXiv:2606.17861

[114] Hugh Xuechen Liu, Kıvanç Tatar. Mage: Multi-Axis Evaluation of LLM-Generated Executable Game Scenes Beyond Compile-Pass Rate. 2026. arXiv preprint. arXiv:2605.07342

[115] Yurun Wu, Yousong Sun, Burkhard Wunsche, et al. VRScout: Towards Real-Time, Autonomous Testing of Virtual Reality Games. 2025. arXiv preprint. arXiv:2511.00002

[116] Eleftherios Kalafatis, Konstantinos Mitsis, Konstantia Zarkogianni, et al. A modular framework for automated evaluation of procedural content generation in serious games with deep reinforcement learning agents. 2025. arXiv preprint. arXiv:2505.16801

[117] Hao Zhang, Yiwen Zhao, Yixuan Zhang, et al. SoundscapeAgent: Agentic Soundscape Construction for Controllable Synthesis and Scalable Audio-Language Supervision. 2026. arXiv preprint. arXiv:2607.21857

[118] Puyi Wang, Yuhao Wang, Linjie Li, et al. SceneCode: Executable World Programs for Editable Indoor Scenes with Articulated Objects. 2026. arXiv preprint. arXiv:2605.19587

[119] Jiang Jun. OpenBlock: Constructive and Verified Content Generation for Adaptive Tile-Matching Games. 2026. arXiv preprint. arXiv:2609.22177

[120] Yizhi Xu. CASCADE: A Cascading Architecture for Social Coordination with Controllable Emergence at Low Cost. 2026. arXiv preprint. arXiv:2604.03091

[121] Gijs van Cuyck, Patric Feldmeier, Jan Tretmans, et al. Scenario-Driven Neuroevolution: Using Models to Guide Test Generation for Games. 2026. arXiv preprint. arXiv:2609.28130

[122] Chengjia Wang, Lanling Tang, Ming Yuan, et al. Leveraging LLM Agents for Automated Video Game Testing. 2025. arXiv preprint. arXiv:2509.22170

[123] Haoyue Yang, Jingyao Li, Zhengfan Wu, et al. GAMEGO: Training Game-Dev Agents with Synthetic Trajectories Anchored in Real-World Assets. 2026. arXiv preprint. arXiv:2610.06910

[124] Xiuhui Zhang, Yi Chen, Shusheng Xu, et al. GameASG-Bench: Benchmarking Autonomous Software Generation for Game Development. 2026. arXiv preprint. arXiv:2609.21293

[125] Yunnong Chen, Chengwei Shi, Liuqing Chen. SpecifyUI: Supporting Iterative UI Design Intent Expression through Structured Specifications and Generative AI. 2025. arXiv preprint. arXiv:2509.07334

[126] Danrui Li, Sen Zhang, Sam S. Sohn, et al. Cardiverse: Harnessing LLMs for Novel Card Game Prototyping. 2025. arXiv preprint. arXiv:2502.07128

[127] Parsa Ghaffari, Chris Hokamp. Narrative Studio: Visual narrative exploration using LLMs and Monte Carlo Tree Search. 2025. arXiv preprint. arXiv:2504.02426

[128] Hartmut Koenitz, Jonathan Barbara, Mirjam Palosaari Eladhari. The GenAI4IDN Benchmark 3.0 — a Public Tool to Assess Generative AI Tools for the Design of Interactive Digital Narratives. 2026. arXiv preprint. arXiv:2610.05633

[129] Alex Zook, Josef Spjut, Jonathan Tremblay. Fly, Fail, Fix: Iterative Game Repair with Reinforcement Learning and Large Multimodal Models. 2025. arXiv preprint. arXiv:2507.12666

[130] Hyeonmin Lee, Zheng Wei, Kyungmin Kwon, et al. SPHERE: Adaptive VR Indoor Scene Generation via LLM-Enhanced Spatial Preference Learning and Human-in-the-Loop RL. 2026. arXiv preprint. arXiv:2610.02023

[131] Peiwen Xing, Aske Plaat, Niki van Stein. CoComposer: LLM Multi-agent Collaborative Music Composition. 2025. arXiv preprint. arXiv:2509.00132

[132] Shufan Jiang, Chios Chen, Zhiyang Chen. GBQA: A Game Benchmark for Evaluating LLMs as Quality Assurance Engineers. 2026. arXiv preprint. arXiv:2604.02648

[133] Hui Ye, Chufeng Xiao, Jiaye Leng, et al. MoGraphGPT: Creating Interactive Scenes Using Modular LLM and Graphical Control. 2025. arXiv preprint. arXiv:2502.04983

[134] Xinhang Liu, Chi-Keung Tang, Yu-Wing Tai. WorldCraft: Photo-Realistic 3D World Creation and Customization via LLM Agents. 2025. arXiv preprint. arXiv:2502.15601

[135] Yiran Qiao, Feng Wang, Jing Ma. Valerant: An Automatic Navigable Game Map Generator via Action-Conditioned World Model Exploration. 2026. arXiv preprint. arXiv:2609.09418

[136] Wayne Chi, Yixiong Fang, Arnav Yayavaram, et al. GameDevBench: Evaluating Agentic Capabilities Through Game Development. 2026. arXiv preprint. arXiv:2602.11103

[137] Lisai Zhang, Baohan Xu, Siqian Yang, et al. AniME: Adaptive Multi-Agent Planning for Long Animation Generation. 2025. arXiv preprint. arXiv:2508.18781

[138] Wentao Lu, Alexander Senchenko, Abram Hindle, et al. Automated Bug Frame Retrieval from Gameplay Videos Using Vision-Language Models. 2025. arXiv preprint. arXiv:2508.04895

[139] Hamid Zand Miralvand, Mohammad Ronagh Nikghalb, Mohammad Darandeh, et al. Democratizing Game Modding with GenAI: A Case Study of StarCharM, a Stardew Valley Character Maker. 2025. arXiv preprint. arXiv:2507.13951

[140] Vanessa Figueiredo, David Elumeze. Symbolically Scaffolded Play: Designing Role-Sensitive Prompts for Generative NPC Dialogue. 2025. arXiv preprint. arXiv:2510.25820

[141] Arthur Caetano, Radha Kumaran, Kelvin Jou, et al. XARP Tools: An Extended Reality Platform for Humans and AI Agents. 2025. arXiv preprint. arXiv:2508.04108

[142] Yuanzhi Li, Lebin Zhou, Nam Ling, et al. M³VIR: A Large-Scale Multi-Modality Multi-View Synthesized Benchmark Dataset for Image Restoration and Content Creation. 2025. arXiv preprint. arXiv:2509.16873

[143] Kyzyl Monteiro, Evan Atherton, George Fitzmaurice, et al. Elemental Alchemist: A Generative Interface for Semantic Control of Particle Systems Across Dynamic Levels of Abstraction. 2026. arXiv preprint. arXiv:2605.10014

[144] Yakun Yu, Ashley Wiens, Adrián Barahona-Ríos, et al. RefGlitch-Bench: A Benchmark for Reference-based Gameplay Glitch Detection with Vision-Language Models. 2026. arXiv preprint. arXiv:2604.11082

[145] Shangxuan Luo, Joshua Reiss. Procedural Music Generation Systems in Games. 2025. arXiv preprint. arXiv:2512.12834

[146] Maya Grace Torii, Takahito Murakami, Yoichi Ochiai. Lottery and Sprint Arcade: Enabling Player-Driven Game Editing with Generative AI. 2026. arXiv preprint. arXiv:2607.10711

[147] Chaoyue Song, Xiu Li, Fan Yang, et al. Puppeteer: Rig and Animate Your 3D Models. 2025. arXiv preprint. arXiv:2508.10898

[148] Yixue Cai, Yuzhe Zhao, Hanxiang Chao, et al. Spec2Game: Can LLMs Generate Complete Playable Games from Detailed Specifications? 2026. arXiv preprint. arXiv:2610.04253

[149] Julian Geheeb, Farhan Abid Ivan, Daniel Dyrda, et al. Diamonds in the rough: Transforming SPARCs of imagination into a game concept by leveraging medium sized LLMs. 2025. arXiv preprint. arXiv:2509.24730

[150] Qirui Sun, Yunyi Ni, Teli Yuan, et al. Spiritus: An AI-Assisted Tool for Creating 2D Characters and Animations. 2025. arXiv preprint. arXiv:2503.09127

[151] Kai Zhu, Vignesh Edithal, Le Zhang, et al. Semantically-Aware Game Image Quality Assessment. 2025. arXiv preprint. arXiv:2505.11724

[152] Julian Geheeb, Marvin Julian Schwarz, Daniel Dyrda, et al. LLMs are the Ideal Candidate for Mixed-Initiative Game Design Pillar Workflows. 2026. arXiv preprint. arXiv:2605.09767

[153] Suzhen Wang, Weijie Chen, Wei Zhang, et al. EasyCraft: A Robust and Efficient Framework for Automatic Avatar Crafting. 2025. arXiv preprint. arXiv:2503.01158

[154] Johannes Pfau, Panagiotis Vrettis. From LLM-Driven Trading Card Generation to Procedural Relatedness: A Pokémon Case Study. 2026. arXiv preprint. arXiv:2604.27972

[155] Junhao Chen, Jingjia Mao, Dayong Li, et al. Bunraku: Turning a Single Illustration into an Editable Live2D Character. 2026. arXiv preprint. arXiv:2607.27348

[156] Yi-Chun Chen, Arnav Jhala. GameTileNet: A Semantic Dataset for Low-Resolution Game Art in Procedural Content Generation. 2025. arXiv preprint. arXiv:2507.02941

[157] Hengquan Guo. BLOCK: An Open-Source Bi-Stage MLLM Character-to-Skin Pipeline for Minecraft. 2026. arXiv preprint. arXiv:2603.03964

[158] Jan Wunderlich, Markus Kleffmann, Sebastian Lempert. An Exploratory Case Study of LLM-Assisted Refactoring and Gameplay Feature Generation in an Endless Runner Game. 2026. arXiv preprint. arXiv:2606.21171

[159] Long Ling, Xinyi Chen, Ruoyu Wen, et al. Sketchar: Supporting Character Design and Illustration Prototyping Using Generative AI. 2025. arXiv preprint. arXiv:2508.12333

[160] Ahmed Khalifa, Roberto Gallotta, Matthew Barthet, et al. The Procedural Content Generation Benchmark: An Open-source Testbed for Generative Challenges in Games. 2025. arXiv preprint. arXiv:2503.21474

[161] Brian Madanamootoo, Jatin Alla. AI as a Democratizing Force in Indie Game Development. 2026. arXiv preprint. arXiv:2608.07825

[162] Amna Hassan. Automated Unity Game Template Generation from GDDs via NLP and Multi-Modal LLMs. 2025. arXiv preprint. arXiv:2509.08847

[163] Yujie Zhang. Beyond Technical Debt: How AI-Assisted Development Creates Comprehension Debt in Resource-Constrained Indie Teams. 2025. arXiv preprint. arXiv:2512.08942

[164] Zheng-Hui Huang, Guixu Lin, Yu-Ju Tsai, et al. PROWBench: Do Video Models Render What the Program Specifies? 2026. arXiv preprint. arXiv:2610.02205

[165] Kaijie Xu, Clark Verbrugge. A Database-Driven Framework for 3D Level Generation with LLMs. 2025. arXiv preprint. arXiv:2508.18533

[166] Keeryn Johnson, Muhammad Ahmed, Charlie Lang, et al. Large Language Models in Game Development: Implications for Gameplay, Playability, and Player Experience. 2026. arXiv preprint. arXiv:2603.27896

[167] In-Chang Baek, Seoyoung Lee, Sung-Hyun Kim, et al. Human-Aligned Procedural Level Generation Reinforcement Learning via Text-Level-Sketch Shared Representation. 2025. arXiv preprint. arXiv:2508.09860

[168] Bastien Gimbert. SPRITETOMESH: Automatic Mesh Generation for 2D Skeletal Animation Using Learned Segmentation and Contour-Aware Vertex Placement. 2026. arXiv preprint. arXiv:2602.21153

[169] Mahdi Farrokhimaleki, Parsa Rahmati, Richard Zhao. From Unstable to Playable: Stabilizing Angry Birds Levels via Object Segmentation. 2025. arXiv preprint. arXiv:2509.23787

[170] Yu-Ren Guo, Wen-Kai Tai. SonicRAG: High Fidelity Sound Effects Synthesis Based on Retrieval Augmented Generation. 2025. arXiv preprint. arXiv:2505.03244

[171] Biwen Lei, Yang Li, Xinhai Liu, et al. Hunyuan3D Studio: End-to-End AI Pipeline for Game-Ready 3D Asset Generation. 2025. arXiv preprint. arXiv:2509.12815

[172] Yunge Wen, Chenliang Huang, Hangyu Zhou, et al. All Stories Are One Story: Emotional Arc Guided Procedural Game Level Generation. 2025. arXiv preprint. arXiv:2508.02132

[173] Paul Julius Kühn, Saptarshi Neil Sinha, Jakob Hansen, Robin Horst. Human-in-the-Loop Atlas-Based 3D Asset Segmentation for Interactive Content Workflows. 2026. arXiv preprint. arXiv:2606.17824

[174] Wen-Fan Wang, Ting-Ying Lee, Chien-Ting Lu, et al. GenTune: Toward Traceable Prompts to Improve Controllability of Image Refinement in Environment Design. 2025. arXiv preprint. arXiv:2508.15227

[175] Jolanta Śliwa, Jakub Adamczyk. Application of machine learning to monster level prediction in tabletop RPG game design. 2026. arXiv preprint. arXiv:2607.09196

[176] Hank Gerba. Narrative Context Protocol: An Open-Source Storytelling Framework for Generative AI. 2025. arXiv preprint. arXiv:2503.04844

[177] Yunshu Bai, RuiHao Li, Hao Zhang, et al. SPRITE: From Static Mockups to Engine-Ready Game UI. 2026. arXiv preprint. arXiv:2604.18591

[178] Julian Rasch, Julia Töws, Teresa Hirzle, et al. CreepyCoCreator? Investigating AI Representation Modes for 3D Object Co-Creation in Virtual Reality. 2025. arXiv preprint. arXiv:2502.03069

[179] Wentao Lu, Alexander Senchenko, Alan Sayle, et al. How Far Can VLMs Go for Visual Bug Detection? Studying 19,738 Keyframes from 41 Hours of Gameplay Videos. 2026. arXiv preprint. arXiv:2603.22706

[180] M Charity, Mayu Wilson, Steven Lee, et al. Amorphous Fortress Online: Collaboratively Designing Open-Ended Multi-Agent AI and Game Environments. 2025. arXiv preprint. arXiv:2502.05632

[181] Yi-Chun Chen, Arnav Jhala. Narrative-to-Scene Generation: An LLM-Driven Pipeline for 2D Game Environments. 2025. arXiv preprint. arXiv:2509.04481

[182] Shuo Huang, Muhammad Umair Nasir, Steven James, Julian Togelius. Word2Minecraft: Generating 3D Game Levels through Large Language Models. 2025. arXiv preprint. arXiv:2503.16536

[183] Ryutaro Kurai, Takefumi Hiraki, Yuichi Hiroi, et al. MagicCraft: Natural Language-Driven Generation of Dynamic and Interactive 3D Objects for Commercial Metaverse Platforms. 2025. arXiv preprint. arXiv:2504.21332

[184] Yuqian Sun, Phoebe J. Wang, John Joon Young Chung, et al. Drama Llama: An LLM-Powered Storylets Framework for Authorable Responsiveness in Interactive Narrative. 2025. arXiv preprint. arXiv:2501.09099

[185] Yi-Chun Chen. Reconstructing Persistent Worlds from Narratives for Narrative-Grounded Interactive Experiences. 2026. arXiv preprint. arXiv:2608.04037

[186] Ryan Truong, Lance Ying, Samuel J. Gershman, et al. PlayTrain: An Efficient Reinforcement Learning Framework for LLM-Generated Adaptable JavaScript Games. 2026. arXiv preprint. arXiv:2609.09059

[187] Austin Drake, Hang Dong. Real-Time World Crafting: Generating Structured Game Behaviors from Natural Language with Large Language Models. 2025. arXiv preprint. arXiv:2510.16952

[188] Ruofei Du, Benjamin Hersh, David Li, et al. Vibe Coding XR: Accelerating AI + XR Prototyping with XR Blocks and Gemini. 2026. arXiv preprint. arXiv:2603.24591

[189] Yakun Yu, Ashley Wiens, Adrián Barahona-Ríos, et al. TempGlitch: Evaluating Vision-Language Models for Temporal Glitch Detection in Gameplay Videos. 2026. arXiv preprint. arXiv:2605.21443

[190] Aman Rusia, Abhijit Bhole, Prashank Gupta, et al. Design Creativity Bench: Measuring creativity in LLM-Generated UI. 2026. arXiv preprint. arXiv:2610.11539

[191] Kaisei Fukaya, Damon Daylamani-Zad, Harry Agius. Heuristics for AI-driven Graphical Asset Generation Tools in Game Design and Development Pipelines: A User-Centred Approach. 2025. arXiv preprint. arXiv:2503.02703

[192] Zixuan Bian, Ruohan Ren, Yue Yang, Chris Callison-Burch. HOLODECK 2.0: Vision-Language-Guided 3D World Generation with Editing. 2025. arXiv preprint. arXiv:2508.05899

[193] Álvaro Guglielmin Becker, Gabriel Bauer de Oliveira, Lana Bertoldo Rossato, et al. Boardwalk: Towards a Framework for Creating Board Games with LLMs. 2025. arXiv preprint. arXiv:2508.16447

[194] Wen-Fan Wang, Chien-Ting Lu, Nil Ponsa Campanyà, et al. AIdeation: Designing a Human-AI Collaborative Ideation System for Concept Designers. 2025. arXiv preprint. arXiv:2502.14747

[195] Hugh Xuechen Liu, Kıvanç Tatar. Grounding Machine Creativity in Game Design Knowledge Representations: Empirical Probing of LLM-Based Executable Synthesis of Goal Playable Patterns under Structural Constraints. 2026. arXiv preprint. arXiv:2603.07101

[196] Pengfei Yu, Dongming Shen, Silin Meng, et al. RPGBENCH: Evaluating Large Language Models as Role-Playing Game Engines. 2025. arXiv preprint. arXiv:2502.00595

[197] Yan Zheng, Florian Bordes. VoxelCodeBench: Benchmarking 3D World Modeling Through Code Generation. 2026. arXiv preprint. arXiv:2604.02580

[198] Meng Luo, Yanlin Li, Hao Li, et al. AI for Games in the Foundation Model Era. 2026. arXiv preprint. arXiv:2609.16679

[199] Arturo Valdivia, Paolo Burelli. Evaluating Quality of Gaming Narratives Co-created with AI. 2025. arXiv preprint. arXiv:2509.04239

[200] Eric Zhou, Shreyas Basavatia, Moontashir Siam, et al. STORY2GAME: Generating (Almost) Everything in an Interactive Fiction Game. 2025. arXiv preprint. arXiv:2505.03547

[201] Xiaoyu Zhan, Xinyu Wang, Xiaohong Zhang, et al. Magpie: Real-Time World Renderer for Interactive Games. 2026. arXiv preprint. arXiv:2608.27168

[202] Ruihuang Li, Caijin Zhou, Shoujian Zheng, et al. Hunyuan-Game: Industrial-grade Intelligent Game Creation Model. 2025. arXiv preprint. arXiv:2505.14135

[203] Vitaly Gnatyuk, Valeriia Koriukina, Ilya Levoshevich, et al. In the Blink of an Eye: Instant Game Map Editing using a Generative-AI Smart Brush. 2025. arXiv preprint. arXiv:2503.19793

[204] Jiwen Yu, Yiran Qin, Haoxuan Che, et al. Position: Interactive Generative Video as Next-Generation Game Engine. 2025. arXiv preprint. arXiv:2503.17359

[205] Jingwei Shi, Shengyu Tao, Xinxiang Yin, et al. LETGAMES: An LLM-Powered Gamified Approach to Cognitive Training for Patients with Cognitive Impairment. 2026. arXiv preprint. arXiv:2604.09566

[206] Nimra Noor, Muhammad Bilal, Abdullah Hussain, et al. Nova3D: Code-Native Generation of Programmable 3D Assets. 2026. arXiv preprint. arXiv:2607.22738

[207] Wenjun Peng, Xinyu Wang, Qi Wu. ProxyWar: Dynamic Assessment of LLM Code Generation in Game Arenas. 2026. arXiv preprint. arXiv:2602.04296

[208] Mahsa Bazzaz, Seth Cooper. Player Perceptions of Generative AI in Games: A Steam Review Analysis. 2026. arXiv preprint. arXiv:2608.11539

[209] Zhiyue Xu, Fandi Meng, Kaijie Xu, et al. AI Native Games: A Survey and Roadmap. 2026. arXiv preprint. arXiv:2607.00527

[210] Jiwen Yu, Yiran Qin, Xintao Wang, et al. GameFactory: Creating New Games with Generative Interactive Videos. 2025. arXiv preprint. arXiv:2501.08325