2025년 이후 게임 제작을 위한 AI 에이전트: 기술 경로, 검증기 및 미해결 문제

초록

게임 제작은 재편되고 있다: "인간이 코드를 작성하고, 인간이 에셋을 만들고, 인간이 플레이테스트한다"에서 "에이전트가 엔지니어링 구조를 제안하고, 엔진 도구를 호출하며, 일부 검증기가 결과의 통과 여부를 결정한다"로. 이 서베이는 2025년 이후 이러한 전환의 기술적 경로, 검증 도구, 미해결 문제를 생산 측 — 에이전트가 게임 엔지니어링, 콘텐츠, 품질을 어떻게 생성·수정·검증하는가 — 에서 살펴보며, 게임플레이 핵심으로 사용되는 런타임 생성형 AI는 다루지 않는다.

이 서베이는 과제 표면(무엇을 생산해야 하는가) × 환경 표면(에이전트가 어디에서 작동하는가) × 검증기("통과"를 무엇이 결정하는가)를 중심으로 구성되며, 검증기를 일급 비교 차원으로 취급한다. 핵심 관찰은 검증기의 선택이 모델 간 격차보다 결론에 더 자주 영향을 미친다는 것이다: 동일한 아티팩트가 판정 방법이 바뀌면 통과하거나 실패하거나 다르게 점수화되며, 물리·기하·런타임 상태까지 검증을 밀어 내리는 곳에서 자릿수 수준의 이득이 발생한다. 따라서 각 장은 수치를 그것을 산출한 검증기와 함께 보고하며, 검증기를 가로지르는 비교는 수행하지 않는다.

코퍼스는 210편의 핵심 논문이다: 112편은 전문 섹션 단위로, 98편은 초록 수준으로 읽었다. 이 서베이는 네 부분으로 구성된다: 1–3장은 경계, 공유 형식화(V0–V6 검증기 사다리 포함), 분류 트리를 제시하고; 4–9장은 여섯 가지 주요 흐름(코드와 엔지니어링, 콘텐츠 생산, 생성적 월드 모델, 테스팅과 품질 보증, 디자인과 인간–AI 협업, 벤치마크와 평가)을 서술하며; 10–12장은 네 가지 공개 논쟁을 병치하고, 재사용 가능한 자원을 목록화하며, 방법론이 교육, XR, 커뮤니티 모딩 및 기타 영역에서 어떻게 재작성되는지 논의하고; 13–14장은 이러한 격차로부터 미해결 문제를 도출하고 결론을 맺는다.

1 서론

1.1 경험 측과의 분업

생성형 AI는 두 가지 서로 다른 문제 계열을 따라 게임에 진입한다. "경험 측"은 생성 모델을 게임플레이 핵심으로 취급한다: 게임 자체가 런타임에 생성되며, 플레이어의 행동이 바꾸는 것은 생성 과정이다(이 방향은 이미 서베이와 로드맵이 존재한다, [209][204][210] 참조). "생산 측"은 에이전트를 생산 도구로 취급한다: 에이전트가 생산하는 것은 엔지니어링, 레벨, 에셋, 텍스트, 테스트 보고서, 평가 결론이며, 기준은 그러한 아티팩트가 엔진에서 사용 가능하고 명세에 충실한가이다. 둘은 모델과 기법을 공유하지만, 검증 방법과 실패 모드는 완전히 다르다: 경험 측에서 실패는 더 나쁜 플레이어 경험을 의미하고; 생산 측에서 실패는 컴파일되지 않거나, 완성될 수 없거나, 검사를 통과하면서도 설계 의도를 놓치는 아티팩트를 의미한다. 이 서베이는 생산 측만을 다루며; 경험 측은 공유 메커니즘(월드 모델, 렌더링)이 관련되는 곳에서 대조로서 등장한다.

1.2 왜 지금인가

위의 텍스트를 한국어로 번역하시오. 모든 문장을 한국어로 작성하시오; 도중에 다른 언어로 전환하지 마시오.

실행 가능한 검증이 도래했다. 2025년에 이 분야의 검증은 여전히 모델 심사자와 수동 검사에 의존했으나, 2026년에는 컴파일러, 단언(assertion), 런타임 상태를 게임 엔진으로 끌어들인 일련의 벤치마크가 등장했다: Godot 단위 테스트 [136], 틱 수준 상태 단언 [43], Unreal의 PIE 자동화 단언 [34][29], Roblox의 에디터 상태 및 런타임 검사 [69]. 이로써 "객관적으로 통과하는 비율"이 처음으로 보고 가능한 양이 되었고, 관대한 검사기가 이전에 감추고 있던 격차가 드러났다.

에이전트 워크플로는 종단 간 생성에서 구조화된 파이프라인으로 이동했다. 초기 접근법은 하나의 프롬프트와 하나의 플레이 가능한 미니 게임이었으나, 2025년 이후 주류는 중간 표현(템플릿 라이브러리, 블루프린트, SPEC, 문자 행렬, JSON 계획)을 삽입하고 모든 단계 경계에서 검증을 앞당겨 배치한다 [16][42][108].

엔진 내 도구가 개방되었다. MCP와 에디터 API를 통해 에이전트가 Unity, Unreal, Blender, Godot을 직접 조작할 수 있게 되었으며 [51][107][42][77], 이는 생산성 서사가 가리킬 수 있는 검증 가능한 대상을 제공했다.

비용이 보고되기 시작했다. 2026년의 논문들은 품질과 함께 비용과 지연(라운드당 비용, 행동당 초, VRAM 사용량)을 보고하여 [44][56][201], "이것이 일상적 생산에 진입할 수 있는가"를 논의 가능한 질문으로 만들었다.

1.3 본 설문의 기여

본 설문은 논문 목록이 아니라 검증 가능한 네 가지 작업을 제공한다. 첫째, 재사용 가능한 조직 축(과제 표면 × 환경 표면 × 검증기)과 공유 형식 표기법으로, 서로 다른 환경의 시스템을 동일한 기반 위에서 비교할 수 있게 한다. 둘째, 검증기를 일급 비교 차원으로 삼아, 각 장에서 동일한 산출물 묶음이 서로 다른 검증기 아래에서 어떤 결론을 내는지, 그리고 벤치마크 간 비교를 위한 경계 조건과 함께 보고한다. 셋째, 210편의 논문을 읽은 깊이와 인용 등급에 따라 등급화하여 다루며(112편은 전문 섹션까지 정독, 98편은 초록 수준), 숫자를 담은 모든 주장이 실제로 읽은 섹션으로 추적될 수 있게 한다. 넷째, 다섯 가지 증거 격차(얇은 네 갈래 — UI, 컷신, 오디오, 디자인 발상 — 와 결함 실험이 압도적으로 주입형이라는 사실)를 명시적으로 진술하고, 각각을 검증 가능한 미해결 문제로 작성한다.

1.4 범위

시간 창은 v1 제출일이 2025-01-01 이전이 아닌 것(개정본은 연대 표기에 사용하지 않음)이며, 검색은 2026-10-13까지 수행되었다. 코퍼스는 13개 검색 경로(키워드 필터 6개, 의미 회수 3개, 출처 및 범주 제한 경로 3개, 인용 확장 1개)의 합집합이며, 두 차례의 AI 스크리닝과 두 차례의 수동 편향 보정을 거쳐 210편의 핵심 논문을 포함한다. 포함 기준은 "에이전트를 중심으로 게임 제작을 조직하는 작업"이며, 이는 산출물이 게임에서 사용 가능하더라도 독립형 생성 모델은 제외됨(게임 제작 파이프라인 안에 명시적으로 위치할 때만 보조 증거로 유지됨)을 의미한다. 예술 및 3D 자산 갈래에도 동일한 규칙이 적용된다: LL3M이나 ShapeCraft 같은 자산 생성 작업은 게임 제작 연구에서 인용되거나 그 안에서 평가될 때만 포함된다. 전체 경로 목록, 개수, 기각 사례는 부록 A에 있다.

그림 1　본 조사의 구성. 4–9장이 논증을 담고 있으며, 각 장은 "과제 표면 × 환경 표면 × 검증기"를 통해 자신의 논지를 서술한다. 10장은 논쟁의 양측 증거를 나란히 배치하고, 11–12장은 자원과 응용을 다루며, 13–14장은 미해결 문제와 결론으로 수렴한다.

1.5 읽기 경로

하나의 구체적인 질문에 관심이 있다면: "내 에이전트가 생성한 게임을 실제로 사용할 수 있는가"를 묻고자 한다면 9장(벤치마크와 평가)과 10.1절(실행 가능하다는 것이 올바르다는 것을 의미하지는 않는다)부터 시작하라; "설계 문서에서 실행 가능한 프로젝트까지 몇 단계가 필요한가"를 묻고자 한다면 4장을 읽어라; 특정 콘텐츠 유형(레벨, 에셋, 내러티브, 오디오)의 자동화가 성숙했는지 판단하고자 한다면 5장의 해당 하위 절을 그 빈약한 증거에 관한 주의사항과 함께 읽어라; 에이전트를 자신의 프로젝트에 통합하고자 한다면 2장의 검증기 사다리와 11장의 자원 가용성을 읽어라.

2 예비 사항: 게임 제작을 에이전트 문제로 서술하기

2.1 생산 측면의 문제 정의

게임 제작은 제약된 생성 문제로 서술할 수 있다: 과제 설명 $T$(자연어, 설계 문서, 참조 이미지 또는 픽셀 입력), 반복 예산 $K$(단계, 실제 경과 시간, 호출 비용) 및 실행 가능한 환경 $E$(샌드박스, 브라우저, Unity, Unreal, Blender 또는 상용 게임의 픽셀 계층)이 주어졌을 때, 에이전트는 일련의 행동 $A$을 통해 산출물 $D$을 생산하고, 검증기 $V$가 매 라운드마다 그 시도가 통과하는지 판정한다. 이것이 일반적인 소프트웨어 공학과 구별되는 점은 세 가지다: 산출물이 흔히 바이너리 에셋(레벨 파일, 장면, 텍스처, 오디오)이어서 텍스트만으로는 정확성을 판단할 수 없다; 환경을 완전히 초기화할 수 없는 경우가 많다(Unity나 Unreal 프로젝트를 컴파일하고 실행하는 비용은 단위 테스트보다 훨씬 크다); 그리고 "올바름" 자체가 두 계층 — 실행 가능성과 설계 의도 — 을 가지며, 그 둘 사이에 자동적인 연결이 없다(4장과 10장이 그 증거를 제시한다).

2.2 표기법과 네 가지 기준

아래의 표기법은 전체에서 사용된다. 시스템에서 특정 수치를 인용할 때마다 그 환경 표면과 검증기 유형도 함께 제시하며, 그렇지 않으면 그 수치는 교차 비교에 들어가지 않는다. 표기법의 목적은 두 가지를 분리하여 진술할 수 있게 하는 것이다: 동일한 과제가 다른 환경에서 얼마나 더 어려운지, 그리고 동일한 산출물 묶음이 다른 검증기 아래에서 얼마나 다르게 판정되는지.

표 1　본 조사 전체에서 사용되는 표기법. 이후 인용되는 모든 수치는 그 환경 표면과 검증기 유형을 동반한다; $V$ 행은 아래 표에서 확장된다.

네 가지 기준이 보고된 점수가 무엇을 측정하는지를 구별하며, 전체에서 재사용된다: 실행 가능성(컴파일되고, 시작되고, 충돌 없이 실행되는가), 명세 준수(과제 설명이 요구하는 행동을 구현하는가, 보통 단언이나 파싱 수준 정렬로 측정됨), 플레이 가능성(게임을 완료할 수 있는가, 메커니즘이 유지되는가), 그리고 사용성(아트, UI, 오디오, 내러티브가 전달 가능한 품질에 도달하는가). 이 기준들을 위해 사용 가능한 도구들은 그 순서대로 약해진다: 처음 두 개는 객관적 도구를 갖추고, 세 번째는 부분적으로 갖추며, 네 번째는 현재 거의 전적으로 인간이나 모델 심사자에 의존한다.

검증기 사다리(V0–V6) — 이 서베이는 모든 증거 조각의 신뢰성 경계를 표시하기 위해 이를 사용한다. 더 높은 수준은 더 객관적이고 더 재현 가능하지만, 동시에 더 좁다: V6은 조건으로 작성될 수 있는 행동 로직만 단언할 수 있다.

표 2　V0–V6 검증기 사다리. 더 높은 수준은 더 객관적이고 더 재현 가능하지만 더 좁기도 하다; 검증기의 수준은 그것이 산출하는 증거의 신뢰성 경계를 표시한다.

그림 2　생산 루프. 여섯 개 주 라인 각각은 이 루프의 인스턴스로 작성될 수 있다; 라인들은 주로 과제를 분해하는 방식과 선택하는 검증기에서 다르다.

2.3 개발 타임라인

아래 그림은 날짜와 대표 작업을 제시한다; 날짜는 v1 제출 시점이며, 방법들의 순서를 나타내는 데 사용되고 우선권을 주장하기 위한 것이 아니다.

그림 3　생산 측의 이정표, v1 제출 날짜 기준. 이 그림은 방법들이 등장한 순서를 나타낸다; 우선권을 주장하지 않는다.

2.4 기존 서베이와의 관계

표 3　관련 설문조사와의 비교. 포함 규칙: 게임 × 생성형 AI를 직접 다루며 적용 범위를 명시한 설문조사 유형 논문; 비교 가능성 한계: 기준 시점, 언어, 포함 규칙이 다르며, "관계" 열은 본 설문조사의 판단이다.

핵심 요점

• 생산 측면과 경험 측면은 모델을 공유하지만 기준은 공유하지 않는다: 생산 측면은 산출물이 엔진에서 사용 가능하고 명세에 충실한지를 묻는다 [209][204].
• 공유된 형식화는 각 연구를 $(T, E, A, V, K, D)$로 기술하며; 본 설문조사의 모든 비교는 그 토대 위에서 이루어진다.
• 검증기는 V0–V6으로 등급이 매겨진다: 높은 등급일수록 더 객관적이지만 더 협소하며, 이후 인용되는 모든 수치는 해당 검증기 등급으로 표시된다.
• 타임라인은 2025년에서 2026년 사이에 무게 중심이 "종단 간 생성"에서 "구조화된 파이프라인과 실행 가능한 검증"으로 이동하고 있음을 보여준다 [148][69][43].

3 분류체계: 작업 표면, 환경 표면 및 검증기

3.1 이 세 축을 사용하는 이유

이 분야를 분류하는 일반적인 방식은 응용 분야(레벨, 에셋, 오디오, …)별 또는 기술(멀티에이전트, RL, 파인튜닝)별이다. 둘 다 같은 부작용을 지닌다: 환경과 검증기를 감춘다. 그러나 4–9장의 항목별 비교는 동일한 작업이 Unity와 텍스트 샌드박스 사이에서 비교 가능하지 않으며, 동일한 산출물 배치가 서로 다른 검증기 아래에서 서로 다른 결론을 낳는다는 것을 반복적으로 보여준다 — 여기서 무엇이든 비교하기 위한 전제조건은 이 세 가지를 분리하여 명시하는 것이다.

작업 표면은 기준이 얼마나 강력할 수 있는지를 고정한다: 코드와 엔지니어링 산출물은 본질적으로 실행 가능하므로 "명세와 일치하는가"를 단언문으로 작성할 수 있는 반면, 아트, 컷신, 오디오 산출물에는 그러한 발판이 없다(5장). 환경 표면은 반복 비용과 재설정 가능성을 고정한다: 텍스트 샌드박스에서는 실패에 스크립트 재실행 한 번의 비용이 들지만, Unreal에서는 컴파일과 PIE 실행의 비용이 든다 [34][29]. 검증기는 수치가 무엇을 의미하는지를 고정한다: V0–V2 점수와 V4–V6 통과율은 같은 종류의 양이 아니다(9장은 한 산출물 배치에 대한 비교를 제시한다). 세 축 외에도, 본 설문조사는 중요한 곳에서 두 개의 부차적 축을 추가한다 — 중간 표현이 삽입되는지와 작업이 에이전트 간에 분할되는지 — 왜냐하면 이들은 장을 가로지르는 공유된 기술적 수법이지만, 그 자체로 작업 범주를 정의하지는 않기 때문이다.

3.2 분류체계 트리

그림은 여기에서 사용하는 분류 체계를 각 말단별 대표 연구와 함께 제시한다(숫자는 참고문헌을 가리킨다). 이는 서술 순서일 뿐 순위가 아니다. 하나의 연구가 여러 말단에 속할 수 있으며(MAGIC은 코드를 위한 인엔진 워크플로와 엔지니어링, 그리고 레벨 및 월드 생성 양쪽에 속하고, MIMIC은 테스팅과 인간-AI 협업 연구 양쪽에 속한다), 부록 B가 각 중복을 문서화한다.

그림 4　분류 트리: 여섯 개의 주요 분기와 각 말단별 대표 연구. 괄호 밖의 숫자는 참고문헌 번호이다. 말단은 중복되며 부록 B가 중복을 문서화한다.

핵심 요점

• 분류 체계는 응용이나 기술 학파가 아니라 과제 표면 × 환경 표면 × 검증기로 조직된다.
• 각 축은 하나의 역할을 한다: 과제 표면은 기준의 강도를 정하고, 환경 표면은 반복 비용을 정하며, 검증기는 숫자가 무엇을 의미하는지를 정한다.
• "중간 표현이 삽입되는지"와 "작업이 에이전트들에 걸쳐 분할되는지"는 말단들에 걸친 공통된 기술적 수법이며, 4–9장에서 서술된다.

4 코드와 엔지니어링: 전체 게임 생성에서 인엔진 워크플로까지

그림 5　4장 하위 트리. 세 가지 과제 유형은 그림 2의 루프를 공유하며, 검증기가 컴파일, 런타임, 또는 인간 평가 중 어디에 놓이는지에서 차이를 보인다.

4.1 전체 게임과 프로젝트 수준 생성

이 분기는 플레이 가능한 프로젝트를 처음부터 끝까지 산출할 수 있는지라는 질문에서 출발한다. 가장 이른 답은 모델이 코드를 직접 내보내게 했고, 곧바로 세 가지 실패 유형을 드러냈다: 불안정한 프로젝트 골격, 깨진 파일 간 의존성, 그리고 실행은 되지만 메커니즘이 성립하지 않는 산출물이다. 2025년 이후의 전환은 엔지니어링 구조를 앞단에 배치하는 것이었다: 템플릿, 스킬 라이브러리 또는 중간 표현을 먼저 구축한 뒤 에이전트가 그 구조를 채우게 하는 것이다.

OpenGame [100]은 그 전환의 가장 완전한 실현이다: 일회성 생성을 진화 가능한 Game Skill로 대체하는데 — 안정적인 프로젝트 골격을 유지하는 Template Skill과 반복되는 실행 실패를 "오류 서명 → 근본 원인 → 검증된 수정"의 디버깅 프로토콜로 일반화하는 Debug Skill — 연속 사전 학습, 지도 미세 조정, 검증 가능한 보상으로부터의 강화 학습으로 GameCoder-27B를 훈련한다. Phaser 3와 헤드리스 브라우저 환경에서 메커니즘 충족도, 시각적 사용성, 종합에서 각각 72.4, 67.2, 65.1을 기록하여 가장 강력한 Cursor + Sonnet 4.6 조합(66.8, 61.4, 58.9)을 앞선다. 저자들은 또한 가중된 메커니즘 요구사항의 34.9%가 충족되지 않은 채 남아 있으며 전략·퍼즐 같은 추상적 장르는 눈에 띄게 저하된다고 보고한다(혼합 V1/V4 검증). Code2Games [107]은 다른 경로를 택한다: 네 개의 전문화된 에이전트가 "장면–게임플레이 표현"을 유지하고 수정을 해당 레코드가 포괄하는 국소 범위로 한정하여, Unreal Engine 5에서 빌드 성공률을 97.7%로 끌어올리고(최강 베이스라인 94.2%) 15개 지표 중 12개에서 동일 백본 베이스라인을 앞선다. 저자들이 보고하는 격차는 Blender에서 엔진으로의 시각적 충실도와, 심사자가 평가 대상 모델과 같은 계열을 공유한다는 점이다.

그림 6　OpenGame [100]의 프레임워크(원본 그림 2에서 재인용). 왼쪽에는 코드 모델의 지속적 사전 학습, 미세 조정 및 검증 가능 보상 학습이, 가운데에는 자기 교정 루프를 갖춘 6단계 에이전트 워크플로가, 오른쪽에는 Template Skill과 Debug Skill이 형성하는 진화 메커니즘이 있다.

두 번째 개선 노선은 검증을 게임플레이 계층으로 끌어내린다. Play2Code [49]는 인간 플레이어와 동일한 렌더링 인터페이스를 공유하는 GUI 에이전트를 사용하여 플레이 요약과 수정 목록을 산출한다. PlayCoder [109]는 행동 테스트를 위한 PlayTester를 추가한다. RSIGame [96]는 전역 품질 모니터링과 포화 제어를 추가한다. Recursive Game Creator [63]는 프로그램 정확성 대신 플레이어 선호를 최적화 목표로 삼고, 코딩 네이티브 Player를 사용하여 고빈도로 재현 가능한 플레이테스트를 수행하며, [95]은 메커니즘 창의성을 겨냥한 동일한 아이디어의 변형이다. 여기서의 이득은 직접적이다. 즉 기준을 "실행된다"에서 "플레이 가능하다"로 끌어올린다. 그 비용은 제9장의 주제이다. 채점자 자체가 모델이며, 모델 심사자는 체계적으로 관대하다.

세 번째 노선은 렌더링 비평을 결정론적 검사로 대체한다. SimWorlds [42]는 "렌더링 → VLM 비평 → 코드 편집" 루프를 명시적으로 거부하고, 고정된 단계 순서와 결정론적 프로토콜 검증기(연결성, 기하, 가시성, 도로, 지형 및 이와 유사한 규칙)를 채택하여, Blender 5.1 환경에서 4DBuildBench의 다단계 통과율을 VIGA의 0.67에서 0.87로 끌어올린다. AutoUE [51]는 컴파일러와 PIE 런타임 플레이테스트를 게이트로 직접 사용한다. AutoUE의 절제 실험은 특히 기록할 가치가 있다. 코드 템플릿과 엔진 제약을 제거하면 컴파일 성공률이 0으로 붕괴한다(MCS = 0). 이는 오늘날 엔지니어링 과제에서 높은 컴파일 성공률의 상당 부분이 모델의 엔지니어링 이해가 아니라 스캐폴드의 성취임을 보여준다.

그림 7　AutoUE [51]의 다중 에이전트 프레임워크(원본 그림 2에서 재인용). 위에서 아래로: 모델 검색 에이전트(858K 모델 임베딩 라이브러리와 top-k 재순위화), 장면 생성 에이전트(PCG 그래프 계획, RAG 기반 노드 명세 및 엔진으로의 MCP 호출), 게임플레이 코드 에이전트(설계 의도, 종속 모듈, 코드 템플릿 및 엔진 제약이 위상 정렬되어 UE C++ 모듈로 구성됨), 상호작용 객체 에이전트 및 자동화된 플레이테스트 에이전트.

표 4　전체 게임 및 프로젝트 수준 생성 시스템. 포함 규칙: 출력이 실행 가능한 프로젝트 또는 다중 파일 프로젝트이고 검증 가능한 결과가 보고됨; 단위와 설정이 다르므로 교차 행 비교는 동일한 검증기 수준 내에서만 이루어지며, V0와 V6 행은 직접 비교할 수 없음.

4.2 엔진 내 워크플로 및 중간 표현

이전 절의 전장이 "프로젝트 생성"이었다면, 이곳의 전장은 "다른 사람의 엔진 안에서 작업하기"이다. 차이점은 행동이 되돌릴 수 없다는 것이다: 무의미한 컴파일이나 잘못된 에셋 참조는 지각 가능한 시간을 소모한다. 따라서 이 분기의 공통된 움직임은 되돌릴 수 없는 작업을 중간 표현 뒤에 두고, 에이전트가 프로젝트를 읽을 수 있게 하는 것이다.

MAGIC [92]은 다중 장면 레벨을 전이 인식 오토마타로 작성하고, 템플릿 스크립트를 통해 배치하며, 연결성을 수용 기준으로 사용하여 Unity에서 실행 가능 프로젝트를 기준선 0%에서 100%로 끌어올린다. Unity Insight [77]는 문제의 다른 측면을 다룬다: 에이전트가 기존 프로젝트에서 코드와 에셋 간의 대응 관계를 찾을 수 없으므로, 프로덕션 프로젝트를 융합된 코드–에셋 그래프로 인덱싱하고 검색 작업에서 토큰 53.4% 감소, 벽시계 시간 51.6% 감소를 보고한다. Real-Time World Crafting [187]은 LLM의 출력을 엔진에 도달하기 전에 맞춤형 JSON DSL로 제약하여 "파싱 가능"을 "실행 가능"과 맞바꾼다. GAMEGO [123]는 엔진 내 개발 추적을 반대 방향으로, 즉 훈련 데이터로 사용한다: 실제 에셋에 기반한 합성 궤적으로 게임 개발 에이전트를 훈련시키는데, 이 경로는 6장에서 검증 가능한 궤적 데이터 엔진으로 다시 등장한다.

종합하면, 이 연구들은 한 가지를 말한다: 엔진 내 작업의 주요 어려움은 생성이 아니라 제약의 가시성이다. AutoUE의 절제 실험(템플릿 없음, 컴파일 없음) [51]과 Unity Insight의 개선은 같은 결론을 가리킨다(나의 추론: 둘 다 탐색 공간의 비용을 압축하지만, 서로 다른 것을 측정하므로 합산할 수 없다).

4.3 설계 문서에서 실행 가능한 프로토타입까지

GDD나 명세서에서 실행 가능한 프로젝트로 넘어가는 것은 이 장에서 가장 생산 현실에 가까운 구간이며, 동시에 격차를 가장 분명하게 드러내는 구간이기도 하다. Automated Unity Game Template [162]은 짝지어진 (GDD, Unity C#) 데이터로 LLaMA-3-8B를 미세 조정하고 3개 게임 유형과 4개 차원에 걸쳐 평균 4.8/5.0을 기록하지만, 가장 강력한 일반 기준선(LLaMA 4 Maverick)은 4.7에 도달한다 — 0.1의 격차이며, 점수는 세 명의 개발자가 수작업으로 부여하고 컴파일 성공 여부 역시 수작업으로 판정되므로 그 결론의 강도는 V0에 머문다.

Spec2Game [148]은 "컴파일된다"와 "명세를 구현한다"를 진정으로 분리하는 연구이다: 실행 피드백을 의도적으로 비활성화하고, 체크포인트 수준의 명세-구현 점수화와 암기를 억제하기 위한 9개의 통제된 규칙 변형을 사용하며, 150개 과제에 걸쳐 Core-15 총점 39.11–77.27을 얻는다(Claude Sonnet 5가 최고). 여기서 가장 중요한 세 가지 수치는 다음과 같다: 630개 후보 중 387개가 6개의 결정적 검사를 모두 통과하며(V4/V5), 그중 87개는 텍스트 심사관에서 여전히 60 미만의 점수를 받는다; 그리고 "게임 요소 모델링"의 평균(80.8)은 "규칙과 역학"(45.6) 및 "목표와 종료"(44.0)보다 훨씬 높다. 다시 말해, 모델은 그림을 잘 만들지만 규칙을 바로잡는 데는 서툴다.

그림 8　Spec2Game의 프로토콜 [148] (원본 그림 1에서 재현). 왼쪽 위: 15개 게임 계열 × 10개 변형이 150개의 명세를 만든다. 오른쪽 위: 생성 및 실행 증거(로그, 상태 추적, 스크린샷). 아래: 네 가지 평가 차원 D1 결정적 실행 가능성 / D2 기능적 정확성 / D3 코드 품질 / D4 시각 및 상호작용 경험, 여기서 D1은 연속 단계를 점수화하고 D4는 세 하위 점수를 정규화한다.

같은 노선에 여러 보완적 접근이 놓여 있다: 트리 탐색을 언어 모델과 결합하여 풀 수 있는 소규모 게임을 생성하기 [25]; 전문 엔진의 프로젝트 수준 코드 프레임워크를 데이터셋과 벤치마크로 전환하기(JAMER [58]); "설계 명세에서 게임으로"의 충실도를 직접 평가하기(A2Z GameSpec-Bench [50]); 그리고 시청각 기록을 증거로 사용하는 다중 에이전트 생성 및 평가 [79]. 이들이 공유하는 점은 모두 "산출물이 명세로부터 얼마나 떨어져 있는가?"에 답한다는 것이며, 다만 서로 다른 명세의 입자를 선택한다 — 그래서 10.1절이 이 증거군을 나란히 배치한다.

핵심 요점

• 엔지니어링 산출물은 여섯 갈래 중 객관적 통과율을 가진 유일한 갈래다. 환경이 실행 가능하고 기준을 단언(assertion)으로 작성할 수 있기 때문이다 [43][69].
• 높은 컴파일률은 부분적으로 스캐폴드의 성과다. 코드 템플릿과 엔진 제약을 제거하면 AutoUE는 전혀 컴파일되지 않는다 [51].
• "컴파일된다"와 "명세를 구현한다"는 갈린다. Spec2Game에서 630개 후보 중 387개가 모든 결정론적 검사를 통과하지만, 그중 87개는 여전히 명세 구현 점수가 60 미만이다 [148].
• 플레이어(플레이테스트를 수행하는 GUI 에이전트)에 대조해 검증하는 것이 주류 흐름이 되었으나, 그 대가로 채점자 자체가 모델이라는 점이 문제다. 그 관대함의 정도는 [113]에서 정량화된다.

5 콘텐츠 제작: 여섯 하위 영역에 걸친 공통 패턴과 공통 격차

그림 9　5장 하위 트리. 여섯 개의 잎 노드는 어떤 중간 표현을 삽입하는지가 서로 다르지만, 그중 어느 것도 "게임에 바로 쓸 수 있는 산출물"에 대한 수용 기준을 갖고 있지 않다.

여섯 잎 노드 모두를 관통하는 하나의 기술적 흐름이 있으며, 이를 먼저 밝히는 것이 좋겠다. 콘텐츠 제작 시스템은 거의 모두 중간 표현을 삽입함으로써 통제 가능성을 확보한다 — 레벨에는 레이아웃 파일과 장면 토폴로지, 에셋에는 구성 프로그램, UI에는 SPEC, 컷신에는 모듈 타임라인, 오디오에는 화자 프로필, 내러티브에는 지식 트리가 그것이다. 중간 표현은 "겉모습"과 "구조"를 분리하여, 구조를 검사하고 편집하고 재사용할 수 있게 한다. 이 진술은 논문에서 저자들 스스로 주장하는 바다. 나는 이를 항목별로 비교하면서 하나의 추론을 덧붙인다. 여섯 잎 노드는 서로 다른 이유로 중간 표현을 선택하며(레벨은 통제 가능한 레이아웃, 에셋은 물리적 사용 가능성, UI는 재사용성, 오디오는 검사 가능성, 내러티브는 유출 방지를 원한다), 따라서 "올바름"을 서로 다르게 정의한다 — 이것이 잎 노드 간 방법론 전이가 여전히 드문 이유다(나의 추론. 5.7절에서 이를 전개한다).

5.1 레벨과 세계: "그럴듯하게 렌더링됨"에서 "구조적으로 통행 가능함"으로

초기 세계 생성은 전체 장면을 하나의 이미지로 생성했고, 문제는 곧바로 뒤따랐다. 그럴듯해 보이지만 걸어서 통과할 수 없었다. 2026년부터의 주류는 작업을 의미론 → 레이아웃 → 에셋으로 나누고 각 단계 사이에 관문을 둔다.

World Craft [16]는 그 분할의 대표적인 구현이다. World Guild는 의미적 강화, 레이아웃 생성 및 개선, 자산 합성을 담당하고, World Scaffold는 레이아웃을 Godot 프로젝트로 구현한다(바닥 레이어는 내비게이션 맵을 베이킹하고, 벽 레이어는 방향에 따라 자동 배치되며, 오브젝트 레이어는 2D와 3D를 구분하고, NPC 레이어는 움직임과 대화를 처리한다). 자산 측에는 5,500개 이상의 자산 라이브러리가 연결되어 있다. 16가지 작업 유형에서 시각적 충실도 0.5279(베이스라인 0.4193)와 종료 상태 61.6%(53.3%)를 보고하며, "구조적 다양성"이 모델 심사 선호도의 주요 원천이다. 저자들 스스로도 제한된 조합 능력과 외부 자산 라이브러리에 대한 의존성을 지적한다. WorldCraft [134]는 계층적으로 생성한다. 즉 레이아웃을 먼저, 세부를 다음에 생성하며, 8개 시점 렌더링 비평으로 루프를 닫고, 의미 정렬에서 17% 개선과 완료율이 70%에서 90%로 상승했다고 보고한다(V2/V3 혼합 검증). IVIE [108]는 해결 가능성에 중점을 둔다. 스키마, 12가지 초기 조건 클래스, 9가지 목표 조건 클래스, 그리고 45가지 해결 가능성 구현(막힌 통로, 퍼즐, 열쇠-잠금 등)이 텍스트 세계를 제약하며, 30개 게임에서 검증되었고, 부정적 결과를 발표한다. 즉 현재 LLM은 "적응적" 재작성에서 좋지 않은 성능을 보인다 [107]. 3D 자산 측에 더 가까운 LatticeWorld [14]는 3D 가우시안 스플래팅을 렌더링 매체로 사용하고 "데이터 정렬"로 정책 모델을 훈련하며, $0.0699 \pm 0.0002$의 유계 정책 손실을 사용해 렌더링을 물리와 정렬하고, 그 대가로 시각적 품질에서 약 15%의 가시적 손실을 감수한다(V5/V2).

같은 계열에는 특정 하위 작업을 겨냥한 연구도 있다. 복셀 세계를 위한 WorldClaw [76], 시점 일관성을 주요 목표로 삼는 Persistent Worlds [185], 재현 가능한 평가를 강조하는 스트리밍 생성 [200], 이중 에이전트 구조를 갖춘 제로샷 3D 맵 생성 [21], 서사로부터의 2D 장면 생성 [181], Minecraft 레벨의 직접 생성 [182], 편집 가능한 3D 세계를 향한 생성 [192]이 있다. 이들의 공통 기여는 "세계"를 비디오 클립에서 반복적으로 진입할 수 있는 객체로 바꾸는 것이며, 공통의 미해결 문제는 5.7절에 있다.

그림 10　World Craft의 World Guild와 World Scaffold [16](원본 그림 2에서 재현). 왼쪽 절반은 의미적 강화, 레이아웃 생성 및 개선(Manager와 Critic이 여러 라운드에 걸쳐 반복하여 레이아웃 파일을 생성) 및 자산 합성을 다루고, 오른쪽 절반은 바닥, 벽, 오브젝트, NPC 레이어와 그 도구들을 다루며 Godot으로 끝난다.

그림 11　IVIE의 생성 흐름 [108](원본 그림 1에서 재현). Adventure Core → World Structure → World Materialization → Challenges 순이며, 각 단계 후에 검증 게이트가 있다. 플레이어 플레이트레이스는 데이터베이스로 흘러들어가 다음 생성 또는 연속에 정보를 제공한다.

5.2 자산: "메시 생성"에서 "사용 가능한 구성 프로그램 생성"으로

자산 분기의 전환점은 화려하지 않지만 효과적인 답을 받아들이는 것이었다. 모델이 메시를 내보내게 하는 대신, 구성 스크립트를 내보내게 하고, 기하학은 파라메트릭 도구에, 물리는 시뮬레이터에 맡기는 것이다.

Nova3D [206]는 그 경로의 가장 철저한 버전이다. 모델이 Blender 구성 프로그램을 생성하고, 실행 엔진이 이를 편집 가능한 에셋으로 변환한다. 저자들은 생성된 54개 에셋 모두가 실행 가능한 프로그램을 산출했고, Blender 런타임이 약 7–11초이며 크기가 제어됨(최대 38,000면)을 보고한다. 또한 59개 관절 중 58개가 기하학적으로 유효하며(관절 기하학적 유효성 98.3%), AABB 일관성 8/8, 크기 오차 1.6%, 질량 오차 9.6%임을, 그리고 게임 사례 연구에서 모델링 비용이 크게 감소했음을(V4/V5 및 인간 표본 검사) 보고한다. Artisan [6]은 사용성의 나머지 절반, 즉 "제대로 보이고 움직일 때 교차하는" 관절 에셋을 다룬다. 이는 물리 보고서를 루프에 도입하고 렌더링 비평을 두 가지 엄격한 척도, 즉 운동 중 충돌과 중력 하 안정성으로 대체하여 실패율을 67%–74%에서 1.7%–13.0%로 낮춘다. 기하학 편집에는 OpenSCAD를, 물리에는 MuJoCo를 사용하므로 이는 V4/V5 검증이다. Articraft [40]는 구조를 절차적 에셋 트리로 명시화하고 중앙값 선호도가 78.6%/78.3%에서 93.2%/90.4%로 상승함을 보고한다(V0, 비전문가 및 전문가). LL3M [35]은 생성이 항상 수리를 남기는 자동 리깅에 초점을 맞추고, ShapeCraft [11]는 원시 도형 계층을 통해 기하학을 조직한다. 같은 방향은 또한 게임 콘텐츠 제작을 위한 멀티모달 다시점 데이터셋 [142]과 제어 가능성을 겨냥한 환경 디자인 프롬프팅 방법 [174]을 산출했다. 보다 일반적인 텍스트-투-3D 생성은 이 설문의 범위 밖이며 기술적 전제로만 등장한다(부록 A의 포함 규칙).

그림 12　Artisan [6]의 4단계 파이프라인(원본 그림 2에서 재현). Design Agent는 청사진과 디자인 보드(정투영도, 분해 조립도, 기구학, 단면도)를 생성하고, Coding Agent는 모델을 프로그램으로 편집하고 검사를 위해 렌더링하며, Physical Validation은 "운동 중 충돌"과 "중력 하 안정성" 보고서를 모두 반환하고, Review Agent는 루브릭에 따라 점수를 매기고 문제를 나열한다.

이 분기의 증거는 다른 콘텐츠 리프보다 현저히 강력하다: 기준이 외관이 아니라 기하학적·물리적 양에 정착한다. 이는 또한 "구성 프로그램 생성 + 물리 시뮬레이션 검증"이 현재 가장 전이 가능한 템플릿인 이유이기도 하다. 이는 콘텐츠 제작 문제를 실행 가능한 문제로 전환한다(나의 추론이며, 논문들 자체는 각자의 설정 내에서의 개선만을 보고한다).

5.3 UI: 디자인 의도를 편집 가능한 명세로 동결하기

UI 분기의 어려움은 UI가 기능과 스타일에 동시에 제약을 받으며, 스타일은 단언을 거부한다는 점이다. SpecifyUI [125]의 해답은 먼저 인터페이스를 SPEC으로 작성하고(영역 수준 명세 및 디자인 명세: 색상, 형태, 레이아웃, 목표), 이어서 검색 증강 생성을 통해 SPEC–UI 코드 데이터베이스에서 최근접 이웃을 재사용하고, 마지막으로 컴파일 및 디버그 에이전트를 통해 이를 착지시키는 것이다. 저자들은 미세 조정된 모델이 GPT-5의 9.87 대비 전체 12.43을 기록했으며 참조 이미지 재사용 설정에서 명확히 앞선다고 보고한다. SPRITE [177]은 더 작은 단위인 아이콘과 스프라이트를 다루고, GameUIAgent [36]은 작업을 여러 에이전트에 분할하여 디자인부터 자동화된 프로토타이핑까지 포괄한다. UI 분기는 3편의 논문으로 이 장에서 가장 얇은 리프 중 하나이며, 세 편 중 어느 것도 "아트 스타일이 전달 가능한가"에 대한 기준을 보고하지 않는다(이 격차는 5.7절에 있다).

그림 13　SpecifyUI의 흐름 [125] (원본 그림 1에서 재현). 왼쪽 상단은 프롬프트와 참조 페이지에서 영역 수준의 SPEC과 디자인 명세를 추출한다; 왼쪽 하단은 SPEC 편집 루프이다; 오른쪽의 UI 생성기는 검색을 임베딩하여 인접 코드를 재사용하고, 디버깅 에이전트가 이를 수리한 후 출력을 컴파일한다.

5.4 컷신과 오디오: 생성 품질을 논하기 전에 검증 가능한 중간 객체를 구축하라

컷신 분기에서 공통된 접근은 카메라와 이벤트를 먼저 검증 가능한 타임라인으로 작성하여 생성 모델에 넘기는 것이다. MapStory [15]는 사용자 명령을 모듈 시퀀스(카메라, 하이라이트, 애니메이션 요소)로 분해한 다음, 연구자 에이전트가 지리 데이터와 모듈 동작을 검색하여 타임라인을 생성하도록 한다; 저자들은 8명의 지도 애니메이션 전문가가 참여한 평가에서 수작업이 상당히 감소했다고 보고한다(V0). Cutscene Agent [71]는 작업을 둘로 나눈다: 실행 가능한 카메라 시퀀스와 BEARD 기반 타임라인 모델이며, 곡선 샘플이 정답 타임라인에서 28.6%(기준선 53.35%) 벗어나고 생성당 약 6분이 걸린다(V5 및 인간 검토); 애니메이션 시퀀스에 더 가까운 작업은 긴 애니메이션을 적응형 다중 에이전트 계획으로 분해한다 [137]. 처음 두 논문 모두 상용 도구와의 종단 간 비교를 하지 않았다고 인정한다. 컷신 분기는 5편의 논문으로 구성되며, 컷신이 출시 품질에 도달하는지에 대한 기준을 보고한 논문은 없다.

그림 14　MapStory의 흐름 [15] (원본 그림 1에서 재현). 왼쪽에서 Scene Breakdown Agent는 쿼리 추론, 모듈 선택 및 타이밍을 수행한다; 중간에서 Map Animation Researcher는 지리 데이터를 검색하고 매개변수를 선택한다; 오른쪽에서 타임라인 시퀀스를 생성하며, 사용자가 이를 직접 조작할 수도 있다.

오디오 분기는 컷신보다 더 뚜렷하게 갈라진다. 한 진영은 전체 트랙 생성을 한다: Audio-Oscar [32]는 LLM 추론을 생성 모델과 결합하여 신호 대 잡음비와 같은 음질 측정에서 49.4%(기준선 23.2%)에 도달한다. 다른 진영은 분할 파이프라인을 구축한다: AuDirector [55]는 음성, 음향 효과, BGM, 그리고 믹싱을 서로 다른 에이전트에 할당하고 세 단계 모두에 인간 개입 지점을 남긴다; SoundscapeAgent [117]는 앰비언스를 대상으로 한다. 특히 시사적인 대비는 게임 내 절차적 음악에 관한 서베이 [145]에서 나온다: 이는 상용 음악 시스템이 거의 전적으로 규칙 기반임을 발견하며, 문헌의 생성 방법은 제품에 거의 도달하지 못한다 — 이는 우리 오디오 분기의 빈약한 증거를 뒷받침한다. 오디오 분기는 7편의 논문으로 구성되며, 그중 어느 것도 게임 오디오 미들웨어(FMOD/Wwise 및 유사 제품)와 연결되거나 실제 프로젝트에서의 통합을 보고하지 않는다 — 이 서베이가 보기에 점수가 충분히 높지 않은 것보다 더 실질적인 격차이다.

그림 15　AuDirector의 3단계 구조 [55] (원본 그림 1에서 재현). 1단계는 정체성 인식 사전 제작이다(디렉터 및 캐스팅 에이전트가 음성 라이브러리에 대한 의미론적 검색으로 음색을 고정한다); 2단계는 협업 합성 및 교정이다(음성, 그리고 음향 효과와 BGM이 병렬로 실행되며, Critic Agent가 표현력 또는 의미론적 정렬을 평가하고 실패 시 롤백한다); 3단계는 인간 주도 정교화로, 단계별로 표적화된 편집 지시를 제공한다.

5.5 내러티브와 퀘스트 텍스트: 에이전트가 알지 말아야 할 것을 말하지 못하게 하라

내러티브 분기는 처음에는 텍스트가 좋은지에 관심을 두었고, 2025–2026년에는 텍스트가 게임의 상태 제약을 위반하는지로 전환했다. SKT [98]는 세 가지 특화 모델(탐지, 분석, 대화)을 갖춘 구조화된 지식 트리를 유지하며, "누가 무엇을 아는가"를 그 트리 위의 도달 가능성으로 표기하고, 환각이 17.80%에서 6.27%로 감소했다고 보고한다(V5; 판정자는 동일 계열의 모델이며, 관대함 문제는 9장 참조). SNAP [62]는 더 나아간다. 스토리 지식 그래프를 사용하면 "모른다"는 것이 프롬프트의 표현 문제가 아니라 구조적 속성이 되므로, 특정 시점에 등장인물이 어떤 사실을 말할 수 없었음을 보일 수 있다(V3/V5). Drama Llama [184]는 극적 긴장 곡선을 목표로 하며 두 설정에서 긴장 일치도 16.4%와 32.4%를 보고한다(V0, 전문가 검토). Dramamancer [39]는 스토리 아크 준수를 28.9%에서 65.6%로 높인다. Quest-Line [103]는 퀘스트 라인을 목표로 하며 92.3%의 통과율(기준선 50%)을 보고한다. NarrativeSteward [18]는 장기 실행 내러티브 일관성을 다룬다. 이 분기의 기준은 "읽힘이 좋은가"에서 "구조와 상태에서 일관적인가"로 이동하고 있지만, 그 이동은 불완전하다. 위의 모든 구조적 일관성 결과는 동일 계열 모델이나 규칙 검사기에 의해 판정되며, 아무도 그것들을 플레이어 측의 이해 가능성과 연결하지 않았다.

그림 16　SKT [98]의 아키텍처(원본 그림 3에서 재현). 왼쪽에는 동일한 플레이어 질문을 처리하는 탐지, 분석, 대화 모델이 있고, 오른쪽에는 작성자가 유지 관리하는 구조화된 지식 트리가 있으며, 흰색 노드는 현재 공개가 허용된 사실이고 회색 노드는 공개가 제한된 사실이다(예: "그는 Rachel에 대해 모른다").

5.6 여섯 잎 나란히 보기

표 5　여섯 가지 콘텐츠 제작 잎을 나란히 비교. 포함 규칙: 산출물이 게임 제작 파이프라인의 콘텐츠 항목일 것; "핵심 수치"는 원래 보고된 그대로이며, 검증기 수준이 다르므로 행 간에 비교할 수 없다; 단위와 설정은 해당 절에 있다.

5.7 공통의 격차

나란히 놓고 보면, 여섯 편의 리프는 결과보다 결손 지점에서 더 많이 일치한다. 첫째, 게임에 바로 쓸 수 있는 결과물에 대한 합격 기준이 없다. 여섯 편 모두 저마다의 대리 지표(충실도, 기하학적 유효성, 컴파일 성공률, 타임라인 편차, 신호 대 잡음비, 환각률)를 보고하지만, "이 아트를 빌드에 바로 넣을 수 있는가" 또는 "이 오디오를 프로젝트에 바로 믹싱할 수 있는가"라는 형태의 납품 기준을 갖춘 것은 하나도 없다. Artisan의 물리 보고서가 가장 가깝지만, 이는 강체 동역학만 다룬다 [6]. 둘째, 중간 표현 사이에 놓인 다리가 없다. 레벨 레이아웃, 에셋 구성 프로그램, UI SPEC, 컷신 타임라인, 오디오 스템, 내러티브 지식 트리는 각자 자신의 구조와 검증 방식을 정의하며, 이들을 상호 참조하는 것 — 예컨대 레이아웃 파일이 에셋의 물리적 매개변수를 직접 제약하게 하는 것 — 은 실제 제작에서 매일 하는 일임에도 문헌에서는 드물다(어느 리프도 다른 리프의 중간 표현을 인용하지 않는다는 관찰에 근거한 나의 추론). 셋째, 네 편의 얇은 리프(UI 3, 컷신 5, 오디오 7, 디자인 발상 7 — 이 중 앞의 셋은 이 장에 속한다)가 얇은 이유는 문제가 더 어려워서가 아니라, 더 그럴듯하게는 공정한 기준이 없기 때문이다 — 기준이 단언문으로 쓸 수 있게 되는 순간, 작업은 에셋 주변에 모였던 것만큼 빠르게 그 주변으로 모인다(나의 추론).

핵심 요점

• 여섯 리프 모두 중간 표현을 삽입하여 제어 가능성을 확보하지만, 그 동기와 "올바름"에 대한 정의가 달라서 방법이 거의 전이되지 않는다.
• 에셋 분기는 외형을 기하학과 물리와 맞바꾸기 때문에 가장 단단한 증거를 갖는다: Nova3D의 58/59 관절, Artisan의 1.7%–13.0% 충돌률 [206][6].
• 레벨 분기는 "그럴듯하게 렌더링된다"에서 "구조적으로 통행 가능하다"로 이동했으며, 연결성, 보행 가능성, 도달 가능한 종료 상태로 판정된다 [16][134][108].
• UI, 컷신, 오디오는 납품 지향 기준이 전혀 없으며, 오디오 분기는 게임 오디오 미들웨어를 건드리지 않는다 [125][71][55].
• 내러티브 분기는 "잘 읽히는가"에서 "구조와 상태가 일관되는가"로 이동했지만, 판정자는 여전히 같은 계열의 모델이다 [98][62].

6 생성적 세계 모델: "세계"가 상태의 어느 쪽에 사는가

그림 17　6장 하위 트리. 세 입장은 모델 능력에 대해 의견이 갈리는 것이 아니라, 세계 상태가 어디에 살고 누가 그것을 판정하는지에 대해 갈린다.

세계 모델이 이 서베이에 들어오는 이유는 렌더링 기술 때문이 아니라, 그것이 한 부류의 제작 문제의 형태를 바꾸기 때문이다: 반복해서 진입할 수 있고 그 상태를 단언할 수 있는 세계는 그 자체로 레벨, 테스트, 콘텐츠의 운반체다. 이 장은 한 가지 질문에 서로 양립 불가능한 답을 내놓는 세 입장으로 구성된다: 세계 상태는 픽셀 안에 살아야 하는가, 아니면 픽셀 밖에 살아야 하는가?

6.1 픽셀을 세계로 삼기

이 캠프는 생성된 비디오를 세계 그 자체로 취급한다. 모델은 프레임 단위로 생성하고, 플레이어의 행동이 이후 프레임을 바꾸며, 세계 상태는 결코 명시적으로 표현되지 않는다. GameFactory [210]는 2025년 초의 대표 사례로, 생성적 상호작용 비디오로 "새로운 게임"을 만들며, 게임당 약 208시간의 작업이 5명의 인간 평가 아래 약 25.4시간으로 압축된다고 보고한다(V0). 그러한 작업의 가치 제안은 "에셋도, 엔진도 없다"이며, 그 대가는 아무것도 단언할 수 없다는 것이다. 상태 표현이 없으면 검사할 "HP가 0에 도달함"이라는 것은 존재하지 않고, 오직 캐릭터가 연속 20프레임 내에서 변화하는지 여부만 있을 뿐이다([207]은 바로 이 차이를 평가로 전환하여, 연속 20프레임 내 캐릭터의 변화율 77.1%를 보고하는 한편 Pass@1과 경쟁 순위 간의 상관관계는 $\rho = 0.23$에 불과하다). IGV 계열 작업은 결과가 아니라 로드맵을 제시한다 [204]. 그것은 생성형 게임 엔진을 성숙도에 따라 등급화하며, 현재 단계가 "데모에서는 플레이 가능하나 장시간 세션에서는 실행 불가"라고 분명히 밝힌다.

6.2 분리된 상태와 렌더링

분리 캠프는 세계 상태를 명시적 표현(코드, 객체 목록, 포인트 클라우드)에 기록하고 렌더링 모델은 오직 화면만 담당하게 한다. Programmable World Model [66]은 그 경로의 현재 가장 명확한 구현이다. 세계 프로그램은 규칙을 코드로 표현하고(타격은 체력을 감소시키고, 체력 0은 캐릭터를 쓰러뜨리며, 승패 조건), 실행은 AABB 충돌 검사를 사용해 "내 예측이 맞는가"를 확인하며, 렌더링 측은 메모리가 현재 블록, 단기 및 장기 이력으로 분할된 메모리 증강 어텐션 DiT로 블록 단위로 생성한다. 저자들은 동일 과제에서 세계 상태 정확도 98.00 대 8.00(하나의 기준선) 및 비디오 세계 모델의 58.00을 보고하며, 해당 지표가 조대한 속성만 측정할 뿐 렌더링 사실성은 측정하지 않음을 명시적으로 인정한다(V5). Magpie [201]은 같은 분업을 더 공학적으로 만든다. 게임플레이 실행과 픽셀 생성이 완전히 분리되고, 렌더러는 소수 스텝 비디오 생성 모델을 사용하며, 대략 1.55초의 종단 간 지연과 약 34GB의 VRAM을 보고하는데, 저자들 스스로 이것이 여전히 상호작용 게임 요구사항에 미치지 못한다고 말한다(혼합 V2/V5).

이 두 논문의 의의는 점수가 아니라 "세계 모델"을 겉모습의 문제에서 결정 가능한 공학 문제로 전환한다는 데 있다. 상태가 표현을 가지면 제7장의 단언, 제4장의 컴파일 게이트, 제9장의 통과율이 모두 부착될 수 있다(나의 추론이며, 두 논문 모두 테스트 프레임워크와의 인터페이스를 논하지 않는다). 같은 경로에는 코드 생성을 통해 복셀 세계 모델링을 평가하는 벤치마크도 포함된다 [197].

그림 18　Programmable World Model의 흐름 [66] (원본 그림 1에서 재현). 왼쪽에서 세계 프로그램은 규칙, 상태 스키마, 속성을 코드로 표현하고 validate action → apply rule → resolve events의 실행 순서를 고정한다. 가운데는 행동을 정체성/방향/의미 제어 및 카메라 궤적으로 컴파일한다. 오른쪽은 메모리 증강 DiT가 블록 단위로 렌더링하며, 메모리는 현재 토큰, 시간적 이력, 공간적 메모리를 구분한다.

그림 19　Magpie의 파이프라인 [201] (원본 그림 4에서 재현). 상단: 플레이어 입력으로부터의 동작 파형과 엔진 측의 화이트박스 제어 신호. 중단: Render Server는 소수 단계 비디오 생성 모델(블록 단위 자기회귀, 3단계 피라미드 증류, 경량 VAE, FP8 양자화)을 사용하며, 앵커 블록, 검색된 히스토리, 단기 기억을 보유하는 메모리 메커니즘을 갖춘다. 하단: 출력 프레임 블록 시퀀스.

6.3 다중 행위자 세계

세 번째 진영은 세계를 다중 행위자 간 상호작용의 산물로 취급한다. 즉 세계는 생성된 장면이 아니라 NPC와 플레이어가 함께 변경하는 상태이다. Multi-Actor [87]는 공유된 다중 캐릭터 세계에서의 일관성과 캐릭터성 부여를 목표로 하고, Agentic Game Development [57]는 게임 제작 자체를 다중 행위자 협업 과정으로 분해한다. 이 갈래는 4장 및 5장과의 경계가 가장 흐릿하며, 본 서베이는 산출물이 세계 상태 그 자체인지 아니면 세계 내부의 콘텐츠 항목인지를 물음으로써 경계를 긋는다. 전자는 본 장에, 후자는 5장에 속한다. 다중 행위자 세계에 대한 증거는 현재 가장 빈약하다. 두 논문 모두 타인이 재현할 수 있는 검증기를 제공하지 않으며, 둘 다 B/C 등급으로 평가된다.

6.4 세 입장의 나란한 비교, 그리고 경계

표 6　세 가지 세계 모델 입장. 포함 규칙: 산출물이 "세계"이고 게임을 겨냥한다. 행들은 서로 다른 검증기 수준에 위치하므로 핵심 수치는 행 간에 비교할 수 없다.

본 장에서 밝혀야 할 경계는 우리가 생성된 비디오의 시각적 품질을 평가하지 않는다는 것이다(이는 렌더링 및 시각 생성의 문제이다). 다만 세계를 판정할 수 있는지만 평가한다. 그런 관점에서 볼 때, 분리 진영은 현재 다른 장들과 연결되는 유일한 형태의 증거(V5 단언)를 제공하고, 픽셀 진영은 생산성 서사(V0)를 제공하며, 다중 행위자 진영은 아직 비교 가능한 증거 없이 방향성만을 제공한다.

핵심 요점

• 세 가지 입장은 모델 역량에 대한 것이 아니라 세계 상태가 어디에 존재하는지를 두고 다릅니다. 픽셀 진영은 표현이 없고, 디커플링 진영은 이를 명시적으로 표현하며, 멀티액터 진영은 이를 공유합니다.
• 디커플링 진영은 다른 장과 연결되는 유일한 검증기 형태를 제공합니다. 상태 정확도는 98.00 대 8.00/58.00이지만, 조대한(coarse-grained) 속성만 측정합니다 [66].
• 픽셀 진영의 유일하게 정량화 가능한 대리 지표는 약하며, 예컨대 연속 프레임 내 변화율 같은 것이고, 경쟁 순위와의 상관관계는 불과 $\rho = 0.23$입니다 [207].
• Magpie의 1.55초 지연 시간과 34 GB VRAM은 디커플링 경로의 병목이 "생성할 수 있는가"에서 "실시간으로 실행할 수 있는가"로 이동했음을 보여줍니다 [201].

7 테스트와 품질 보증: "실행되는가"에서 "이렇게 동작해야 하는가"로

그림 20　7장 하위 트리. 기준의 강도는 세 갈래를 따라 감소합니다. 결함 탐지는 적어둘 수 있는 기대를 가지며, 탐색은 커버리지 대리 지표에 의존하고, 밸런스는 인간 참여형 판단만을 가집니다.

테스트는 이 분야에서 가장 공학적인 장입니다. 그 산출물은 콘텐츠가 아니라 콘텐츠에 대한 판단이기 때문입니다. 따라서 여기서는 검증기 문제가 가장 철저하게 드러나는 곳이기도 합니다. 동일한 결함 묶음이라도 판정 방법이 바뀌면 탐지율이 몇 배씩 달라질 수 있습니다.

7.1 결함과 회귀: 주입된 증거의 경계

이 갈래의 설정은 다음과 같습니다. "무언가 잘못된" 게임이 주어졌을 때 에이전트가 이를 찾아내고 고칠 수 있는가? MORTAR [8]는 실제 게임 결함 보고서로 수리 과정을 이끌며 수리 품질의 유의미한 향상을 보고합니다. KLPEG [9]는 결함 주입을 재현 가능한 테스트베드로 사용하고 96%의 컴파일 성공률 위에서 서로 다른 모델의 결함 탐지 능력을 비교합니다. VideoGameQA-Bench [112]는 프레임 수준 품질 문제(시각적 이상, 렌더링 결함)를 겨냥하며, 최고 시스템이 전체 약 49.1%에 도달합니다. 이는 이 장에서 가장 자주 인용되는 수치이며, 최신 기술이 사용 가능한 수준에서 얼마나 멀리 떨어져 있는지를 가장 잘 보여주는 수치입니다. TempGlitch [189]는 시간적 렌더링 결함을 특별히 겨냥하며 약 21% 영역의 탐지를 보고합니다.

상용 게임의 픽셀 계층에 대한 연구 [90]와 엔진 내부에서 검증하는 연구 [116]는 "외부 블랙박스"와 "내부 화이트박스"의 양 극단을 다룹니다. 자동화된 플레이테스트를 위한 코드 인식 에이전트 [20], 핵심 지점 검증을 위해 런타임 상태 주입을 사용하는 연구 [23], 실제 결함 보고서로부터 크래시를 재현하는 연구 [59]가 툴체인 측면을 채웁니다. 같은 계열의 확장 가능한 도구화 버전 [89]과 QA 역량 자체를 벤치마크로 만드는 GBQA [132]는 재사용성을 시야에 넣습니다. 시각적 결함을 위한 참조 기반 벤치마크 [144]는 "참조 프레임과 일치하지 않음"을 결함으로 직접 정의합니다.

이 수치들은 명시적으로 기록할 가치가 있는 하나의 해석적 경계를 공유한다: 위의 결함 실험 대부분은 주입 기반이며(결함을 건강한 게임에 수작업으로 삽입하고 에이전트가 이를 다시 찾아내야 함), 실제 프로젝트에서 자연적으로 발생한 결함은 아니다. 소수의 예외는 실제 결함 보고서나 실제 충돌을 사용하지만(예: [59]), 규모가 작고 다른 시스템과의 비교가 없다. 주입된 결함은 대개 식별 가능한 패턴을 지니며 그 분포가 실제 결함의 분포와 다르므로, 이 탐지율들은 통제된 조건에서의 상대적 비교로 읽어야 하며, 생산 환경에서 나타날 역량으로 읽어서는 안 된다(나의 추론; 논문들은 자신들의 비율이 자연적 결함으로 외삽된다고 주장하지 않지만, 그에 대한 통제도 설정하지 않는다).

7.2 탐색과 커버리지: 행동 에이전트로 "충분히 플레이했는가"를 묻기

자동화된 테스트의 핵심 어려움은 커버리지다: 누가 어떤 행동을 시도해야 하는지 결정하는가? TITAN [122]은 탐색을 보상 설계 문제로 정식화하고 조작 궤적을 수집하는 방법을 제시한다; SMART [28]는 자동화된 탐색과 시연으로 커버리지를 개선한다; Lap [110]은 탐색 행동의 시각적 충실도와 일관성에 초점을 둔다; VRScout [115]는 시각적 의도로 내비게이션을 구동하며 복잡한 장면에서 순수 시각적 베이스라인을 능가한다고 보고한다. ExploreAI [44]는 이 분기에서 증거가 엔지니어링 배포에 가장 가까운 논문이다: 탐색을 네 가지 행동 유형(장거리 내비게이션, 근접 접근, 다시점 촬영, 자기 검증)으로 분할하고 비용 면에서 전수 베이스라인과 직접 비교한다 — 행동당 약 0.010 대 약 0.293으로, 대략 29배 차이(V5 검증 및 비용 회계) — 이며 시점 커버리지 개선도 보고한다.

그림 21　ExploreAI [44]의 작업 루프(원본 그림 2에서 재현). 1a는 YOLO를 사용한 시각적 인지와 객체 증거 수집; 1b는 LLM이 작업 계획을 설정; 2a/2b는 장거리 및 근거리 내비게이션 수행; 3은 다시점 촬영; 4는 증거를 검증 가능한 객체 기록(폐색 및 실패 사례 포함)으로 통합; 5는 자기 검증을 통해 현재 작업을 계속할지 새 작업을 시작할지 결정.

7.3 균형과 규칙: 기준을 단언으로 작성하기 가장 어려운 구간

게임 균형과 규칙 일관성은 전통적으로 수동 튜닝의 영역이며, 이 설문조사는 이 영역에 진입한 소수의 에이전트 연구만을 발견했다. RuleSmith [91]는 LLM을 사용하여 규칙 수준에서 생성하고 검사하며, "플레이 가능성"을 검사 가능한 규칙 속성으로 분해한다; MIMIC [56]는 인간-기계 협업 균형 디버깅을 목표로 하며 행동당 약 12.4초의 상호작용 지연을 보고한다 — 이 수치는 실제 튜닝 환경에서 에이전트의 가치가 우선 인간의 속도를 따라잡을 수 있는지에 달려 있음을 보여주며, 판단의 절대적 품질에 달려 있지 않다. 여기의 기준은 여전히 V0/V1을 벗어나지 못했다: 아무도 균형에 대한 실행 가능한 정의를 제시하지 않았고, 어떤 벤치마크도 시스템을 동일한 기준 위에서 비교하지 않는다.

7.4 평가 장과의 인터페이스

이 장과 제9장은 동일한 검증기를 공유하되 서로 다르게 사용한다. 평가는 검증기를 사용해 생성된 게임의 점수를 매기고, 테스트는 검증기를 사용해 게임 내부의 결함을 찾아낸다. 두 장을 함께 보면 이 서베이의 가장 실용적인 결론이 나온다 — 검증기의 선택이 보고 가능한 거의 모든 결론을 바꾼다(교차 시스템 비교는 10.1절에서 제시한다). 구체적으로 테스트 쪽을 보면: "컴파일되는가"에 대해 낙관적인 96% 수준의 수치를 보이는 동일한 모델이 [9] "명세가 구현되었는가"에서는 무너지는데, 630개 후보 중 387개가 모든 결정론적 검사를 통과하고 그중 87개가 명세에서 60점 미만을 받으며 [148], "경쟁 성능"에서는 $\rho = 0.23$와 Pass@1 사이의 일치도로 후퇴한다 [207].

핵심 요점

• 테스트 분야에서 판정 강도는 세 단계로 나뉜다: 결함 위치 특정은 작성 가능한 기대값을 가지며, 탐색은 커버리지에 의존하고, 균형은 여전히 인간의 판단에 맡겨진다.
• 결함 실험의 거의 모든 결론은 주입된 결함에서 나오므로, 통제된 조건에서의 상대적 비교로 읽어야 하며 자연 발생 결함의 탐지로 외삽해서는 안 된다.
• 비용이 판정 계층에 진입했다: ExploreAI의 행동당 비용은 전수적 기준선의 약 1/29이며 [44], MIMIC의 행동 지연 시간은 약 12.4초이다 [56].
• 프레임 수준 품질 탐지는 여전히 약점이다: 렌더링 및 시각적 결함에 대한 최고 벤치마크 결과는 약 49.1%이며 [112], 시간적 결함 탐지는 약 21% 영역에 머문다 [189].

8 설계 탐색과 인간–AI 협업: 발산은 신용을 얻고, 수렴은 그 대가를 치른다

그림 22　제8장 하위 트리. 이 장의 거의 모든 기준은 인간의 보고에서 나온다: 측정치는 통과율이 아니라 창의성, 통제감, 수용도, 신뢰이다.

앞선 장들은 에이전트가 수용 가능한 산출물을 만들 수 있는지를 묻지만, 이 장은 에이전트와 사람이 어떻게 작업을 분담해야 하는지를 묻는다. 이 장의 특이점은 증거의 종류가 다르다는 것이다: 다른 곳의 수치는 검증기에서 나오지만, 여기의 수치는 인간 척도, 인터뷰, 실제 플랫폼 데이터에서 나온다. 그 때문에 결론을 과도하게 일반화하기 쉬우므로, 아래의 각 항목은 참가자 수와 과제 유형을 명시한다.

8.1 설계 및 메커닉 아이디어 발상

이 분야는 모델이 많은 아이디어를 빠르게 제공할 수 있다는 단순한 가정에서 출발한다. AIdeation [194]은 스튜디오 환경에서 아이디어 발상 지원 도구를 평가하며 아이디어의 수와 다양성이 유의하게 증가했다고 보고하지만 품질 차원은 유의성에 도달하지 못한다; CreepyCoCreator [178]는 공포 게임을 위한 역방향 공동 창작이고, EchoLadder [30]는 아이디어에서 플레이 가능한 메커닉으로 이어지는 단계적 정교화를 다룬다 — 이 셋이 증거의 "발산" 측면을 구성한다. SPINE [152]과 AutoBG [1]는 "수렴" 측면을 대표한다: SPINE은 디자인 원칙과 게임 콘셉트를 구조화된 객체로 작성하고 모델이 원칙 대비 커버리지를 평가하여 피드백을 주도록 하며; AutoBG는 배경과 설정 생성에 초점을 둔다. 교육 지향 공동 창작 [41]은 동일한 과정을 교실에 적용하고 학생들이 에이전트를 활용해 설계 작업을 완수하는 방식을 관찰한다.

그림 23　SPINE [152]의 인터페이스(원 그림에서). 왼쪽에는 "LLM 피드백 → 생성" 버튼이 있는 기둥 카드와 핵심 개념 및 추가 기능 입력란이 있고, 아래에는 각 기둥이 게임 콘셉트에 적합한지 항목별로 설명하고 추가 기능에 점수를 매기는 LLM 생성 커버리지 피드백이 있다. 이 그림은 또한 구조적 문제, 즉 평가자와 평가 대상 콘셉트가 동일한 모델에서 나온다는 점을 보여준다.

8.2 협업의 형태: 왜 발산은 신용을 얻고 수렴은 그 대가를 치르는가

함께 놓고 보면, 이 갈래의 연구들은 하나의 형태에 동의한다: 에이전트는 발산 단계에서는 분명히 도움이 되고 수렴 단계에서는 마찰을 만든다. 발산에 대한 증거는 더 많은 아이디어, 더 많은 다양성, 더 빠른 속도이며 [194][30], 수렴 측의 어려움은 세 가지로 나뉜다.

첫째는 통제감과 소유감이다. 실제 스튜디오와 공동 창작 실험에서 참가자들은 산출물의 품질이 괜찮은 경우에도 최종 디자인에 대한 통제감이 약하다고 일관되게 보고하며, 이는 종종 척도에서 가장 낮은 항목이다 [194][178]. 둘째는 수렴 판단에 근거가 부족하다는 점이다: 모델은 후보를 생성할 수 있지만 "왜 나머지 셋은 아닌지"를 설명하는 데는 어려움을 겪으며, 바로 그 지점이 디자인 결정의 가치가 있는 곳이다 [152]. 셋째는 인간의 평가 비용이 제거되는 것이 아니라 전가된다는 점이다: MIMIC의 12.4초 행동 지연 시간 [56]은 빈번한 상호작용이 필요한 튜닝류 설정에서 인간의 대기 시간 자체가 새로운 비용임을 보여준다.

8.3 플레이어 측과 조직 측: 공개는 측정 가능한 부정적 신호다

이 장에서 가장 무게 있는 증거는 실험실이 아니라 실제 플랫폼 데이터에서 나온다. Steam의 수천 개 게임에 대한 실증 연구 [208]는 PCG 태그가 붙은 게임의 추천율이 약 86.3%인 반면 생성형 AI 사용을 공개한 게임은 약 68.4%이며, 다양한 통제 변수 아래에서 공개가 가장 강한 부정적 예측 변수(OR 약 0.63)임을 발견한다. 저자들은 자신들의 방법과 표본을 상당히 완전하게 보고하는데, 이는 이 결과를 대부분의 설문 연구보다 더 주목할 가치가 있게 만든다; 그 경계도 똑같이 분명하다: 이것은 인과가 아니라 연관이며, "공개 자체가 불승인을 초래한다"와 "공개하는 이들의 제품이 실제로 더 나쁘다"를 분리할 수 없다(논문의 논의도 이를 인정한다).

조직 및 프로세스 측면의 연구는 더 희박하지만 방향성은 있다: 한 인터뷰 연구는 에이전트가 게임 개발 팀에 들어온 후의 협업 패턴을 특성화하고 [57], 품질 요구사항을 겨냥한 연구는 카노 모델을 사용해 "플레이어가 기대하는 품질"을 순위 매길 수 있는 요구사항으로 구조화하며 [199], 한 논문은 민주화하는 힘이라는 제목 아래에서 낮아진 진입 장벽의 이득과 비용을 직접 논의하고 [161], 한 체계적 문헌 고찰은 LLM이 개발 프로세스에 들어오면 게임플레이, 플레이 가능성, 플레이어 경험에 대한 효과를 별도로 평가해야 한다고 주장하며 [166], 자산 생성 도구에 대한 사용자 연구는 16명의 실무자를 기반으로 한 휴리스틱 체크리스트를 제안하고 [191], 또 다른 연구는 생성된 산출물이 장기 유지보수에 들어가면 기술 부채의 형태로 미래 팀에 비용을 전가한다고 주장한다(본문을 이용할 수 없어 이 서베이는 초록에서만 인용하며 수치의 출처로 사용하지 않는다) [163]. 이 장의 설문 기반 연구는 전반적으로 방법론적으로 취약하며, 기존 감사는 플레이어 경험 연구가 일반적으로 보고 기준을 결여하고 있음을 발견한다는 점을 유의해야 한다 [27]; 이 장의 결론을 제품 결정에 사용하기 전에 원래 척도의 구성과 표본 크기로 돌아가야 한다.

8.4 비교와 경계

표 7　디자인 및 인간-AI 협업 연구. 포함 규칙: 대상이 사람이나 팀인 실증적 또는 정성적 연구; 판정 방법은 척도, 인터뷰 또는 플랫폼 데이터이며, 4–7장의 검증자와 비교할 수 없다.

핵심 요점

• 에이전트는 발산(더 많은 아이디어, 더 많은 다양성, 더 빠른 속도)에는 분명히 도움이 되고 수렴(통제, 선택의 근거)에는 마찰을 만든다 [194][152].
• 구조화된 기둥 기반 평가에서 평가자와 피평가 개념은 종종 하나의 모델에서 나와 자기 확인적 순환을 형성한다 [152].
• 플레이어 측에는 측정 가능한 부정적 신호가 있다: 생성형 AI의 공개는 더 낮은 추천율과 상관관계가 있지만(68.4% 대 86.3%, OR ≈ 0.63), 이는 인과가 아닌 연관이다 [208].
• 이 장의 설문 기반 연구는 전반적으로 방법론적으로 취약하다; 인용하기 전에 척도와 표본으로 돌아가야 한다 [27].

9 벤치마크와 평가: 검증자는 이 분야에서 가장 중대한 변수다

그림 24　9장 하위 트리. 세 줄은 과제에서 다른 것이 아니라 누가 판정하는가에서 다르다: 단언, 모델 심사자, 경쟁과 인간.

9.1 실행 가능한 검증: 단언을 엔진으로 옮기기

여기서 공유되는 움직임은 평가를 "그림을 보고 점수를 매기는 것"에서 "엔진에서 단언을 실행하는 것"으로 바꾸는 것이다. GameLogicBench [43]는 틱 수준의 상태 단언으로 로직을 검사하며, 이 조사의 가장 교훈적인 두 가지 제거 실험을 제공한다: 다중 시나리오 설정을 제거하면 평균 해결률이 58.1% 상승하고, 틱 수준 단언을 제거하면 8.9% 상승한다 — 다시 말해, "얼마나 많은 시나리오가 테스트되는가"와 "단언이 어느 정도의 세분성을 가지는가"는 그 자체로 점수를 결정하는 선택인 것이다. CraftBench-UE [34]는 언리얼에서 실제 프로젝트 과제를 구성하며, 제때 제출되어 에셋 검사를 통과한 산출물 가운데 42.2% / 50.0%가 여전히 런타임에서 실패한다고 보고한다; OpenGameEval [69]는 판정을 로블록스의 편집기 상태와 런타임으로 옮기며, 상위 다섯 모델이 단 1.1 퍼센트 포인트 차이를 보이지만 그들의 해결 집합은 거의 겹치지 않는다(합집합 58 / 교집합 27)고 보고한다. GameDevBench [136]는 고도 단위 테스트를 평가의 일부로 만든다; Code4Scene [26]는 장면 프로그램별로 기하와 공간 관계를 검사한다; GameASG-Bench [124]는 "실행됨"과 "올바르게 동작함"을 분리하여 보고한다(93.2% 대 55.3%); GameEngineBench [29]는 언리얼에서 아무도 해결하지 못한 31개의 과제와 모두가 해결한 0개의 과제를 보고한다 — 이는 평균 점수보다 현재 수준에 대해 더 많은 것을 말해 주는 분포 정보이다. "전문가 수준 개발 격차"를 겨냥한 평가(GameXpert-Bench [38]), 블랙박스 시각적 복제를 과제로 삼는 GameReplica [83], 그리고 판정 대상이 "비슷하게 보이는가"와 "복제할 수 있는가" 쪽으로 확장되는 시각적 게임 생성 벤치마크 V-GameGym [99]도 있다.

그림 25　GameCraft-Bench [113]의 평가 파이프라인(원문 그림 1에서 재현). 1 과제 패키징(명세, 환경, 숨겨진 루브릭); 2 에이전트가 프로젝트와 플레이스루 궤적을 생성; 3 빌드 게이트(프로젝트 파싱, 장면 로딩, 스크립트 컴파일, 헤드리스 실행, 데모 파싱); 4 리플레이 포렌식(데모 영상을 녹화하고 2 FPS로 프레임을 샘플링); 5 숨겨진 루브릭은 멀티모달 모델이 채점하고 평균/최대로 집계되어 네 차원 M/D/V/A가 된다.

9.2 모델 심사자: 관대하고, 삼진법적이고, 재현 불가능하다

판단을 단정으로 쓸 수 없는 경우에는 모델 심사자를 동원하게 되며, 이 갈래의 증거는 거의 전적으로 부정적이다. GameCraft-Bench [113]는 모델 심사자와 인간 점수를 직접 비교하여 모델 심사자가 사람보다 약 3.32퍼센트포인트 더 관대하다고 보고한다. WebGameBench [75]는 플레이 가능/플레이 불가능/불확실의 삼원 판단에서 모델과 인간의 정확한 일치율이 50.0%에 불과하다고 보고한다. 즉 판단의 절반이 "불확실" 쪽에 떨어진다는 것이다. SWE-Game [46]은 동일한 산출물 묶음이 모델 심사자 아래에서는 92.59%로 통과하지만 실행 가능한 검사 아래에서는 78.41%로 통과한다고 보고하며, 그 격차는 약 14퍼센트포인트이다. 그리고 ProxyWar [207]는 상관 증거를 제공한다. 경쟁 순위는 Pass@1과 겨우 $\rho = 0.23$의 상관을 보이는 반면, 연속 20프레임 내에 눈에 띄게 변화하는 캐릭터의 비율은 77.1%이다. 이는 높아 보이는 수치이지만 모델이 얼마나 강한지와는 거의 무관하다.

Mage [114]는 이 장에서 가장 날카로운 대조를 제공한다. 동일한 산출물 묶음에서 중간 표현이 없는 조건은 런타임 통과율이 43%로 가장 높은 반면, 그 메커닉 태그 F1은 정확히 0.000이다. 이것이 말하는 바는 "모델이 메커닉을 못 한다"가 아니라 런타임 통과율과 메커닉 정확성이 서로 다른 자로 같은 것을 재고 있다는 것이다. RPGBench [196]는 또 다른 경로를 택한다. RPG 과제를 개별적으로 검사 가능한 세 계층, 즉 엔티티, 메커닉, 난이도로 나누어 "메커닉"에도 단정 가능한 발판을 마련하려 시도한다.

그림 26　RPGBench [196]의 평가 구성(원본 그림 1에서 재현). 왼쪽은 캐릭터 백과사전 페이지와 궤적을 입력으로 받는 구성 및 시뮬레이션 흐름이고, 오른쪽은 생성된 게임의 구조화된 필드, 즉 게임 세계, 목표, 장면, 플레이어 캐릭터, 주요 NPC의 다섯 가지 성격 차원과 사실, 초기값과 경계를 지닌 상태 변수, 효과를 지닌 이벤트 전제 조건과 성공 조건, 그리고 종료 조건이다. 이 구조가 엔티티, 메커닉, 난이도를 개별적으로 검사 가능하게 만드는 것이다.

9.3 검증자가 결론의 차이를 구성한다

제7장의 증거와 나란히 놓으면, 이 장은 이 조사의 가장 실용적인 결론을 낳는다. 검증자의 선택이 초래하는 결론의 차이는 일반적으로 모델 간의 차이보다 크다. 이는 세 곳에서 드러난다. 하나의 산출물 묶음에서 검증자가 바뀌면서 통과율이 92.59%에서 78.41%로 떨어진다 [46]. 하나의 벤치마크에서 상위 모델들의 점수는 1.1퍼센트포인트 차이인 반면 그들의 해법 집합은 거의 겹치지 않는다 [69]. 그리고 하나의 과제 묶음에서 "통과함"과 "올바름"이 완전히 분리될 수 있다(43% 대 0.000) [114]. 따라서 이 조사는 보고되는 모든 수치에 검증자 수준(V0–V6)을 표시할 것을 고집하며, 독자들이 벤치마크 간 비교를 하기 전에 두 가지를 확인할 것을 제안한다. 환경 표면이 비교 가능한지 확인하고, 검증의 세분성이 일치하는지 확인하는 것이다.

그림 27　하나의 산출물 묶음 위에서의 검증자 사슬. 컴파일 또는 런타임 통과율이 가장 높고, 명세 단정은 더 엄격하며, 모델 심사자와 경쟁 심사는 서로 일치하지 않는 결론을 낸다([46][69][114][148]의 종합). 이 그림은 도식일 뿐 정량적 차트가 아니다.

9.4 벤치마크 자원 나란히 보기

표 8　벤치마크 자원 나란히 비교. 포함 규칙: 재현 가능한 검증 방법을 보고하는 게임 제작 벤치마크; 핵심 수치는 동일한 검증기 수준 내에서만 비교 가능하며, 행 간 비교를 위해서는 먼저 환경 표면과 검증 세분성을 확인해야 한다.

핵심 요점

• 검증 세분성 자체가 점수를 결정한다: 다중 시나리오 설정이 없으면 58.1%, 틱 단언이 없으면 8.9% 부풀려진다 [43].
• 모델 판정자는 사람보다 약 3.32퍼센트 포인트 더 관대하며, 삼진 판정은 인간과 50.0%만 일치한다 [113][75].
• "통과함"과 "올바름"은 분리된다: 한 산출물 배치에서 런타임 통과율은 43%인데 메커닉 태그 F1은 0.000이다 [114].
• 리더보드는 불안정하다: 상위 5개 차이는 1.1pp인데 해법 집합은 거의 겹치지 않으며, 경쟁 순위는 Pass@1과 $\rho = 0.23$만 상관한다 [69][207].

10 기초 질문과 논쟁: 네 가지 미해결 쟁점

이 장은 네 가지 논쟁을 나란히 배치한다. 각각은 정확한 명제, 양측의 증거와 그것이 성립하는 조건, 두 설명을 구별할 수 있는 실험, 그리고 현재 균형이 어디에 있는지를 제시한다.

10.1 실행 가능함이 명세 준수를 의미하는가?

명제: 산출물이 실행 가능 검사를 통과하면, 그것은 과제 설명의 동작을 구현한 것이다.

뒷받침하는 증거: 실행 가능한 검사는 사용 불가능한 산출물 상당수를 배제한다. AutoUE의 컴파일 게이트와 PIE 플레이 테스트는 명백히 망가진 프로젝트를 걸러낸다 [51]; SimWorlds가 픽셀 비평을 결정론적 프로토콜 검증으로 대체한 뒤 다단계 통과율은 0.67에서 0.87로 상승한다 [42]; GameASG-Bench가 "실행됨"(93.2%)과 "올바르게 작동함"(55.3%)을 분리해 보고하면 전자가 임계값이 된다 [124].

반대 증거: 실행 가능한 검사는 명세 구현을 체계적으로 과대평가한다. Spec2Game에서 630개 후보 중 387개가 여섯 가지 결정론적 검사를 모두 통과하지만 그중 87개는 명세 구현에서 여전히 60점 미만을 받으며, "요소 모델링"(80.8)은 "규칙 및 메커니즘 모델링"(45.6)과 "목표 및 종료 모델링"(44.0)보다 훨씬 높다 [148]; Mage에서 동일한 산출물 배치는 런타임 통과율이 최대 43%에 그치는 반면 메커니즘 태그 F1은 0.000이다 [114]; CraftBench-UE에서 자산 검사를 통과한 산출물도 런타임에서 42.2% / 50.0%로 실패한다 [34].

타당성 조건: 반대 증거는 전적으로 제품 또는 프로젝트 수준 과제에서 나오며, 그 검증기는 단언 가능한 행동 로직만을 다룬다; 뒷받침 증거는 "시작되고 기본 상호작용을 지원함"이라는 더 낮은 기준에서 나온다. 둘은 서로 모순되지 않는다; 이들은 서로 다른 높이의 두 임계값이다.

설명을 분리할 수 있는 실험: 하나의 산출물 배치에 대해 실행 가능한 검사를 통과한 비율과 명세 단언을 통과한 비율을 교집합 및 차집합과 함께 보고한다. Spec2Game이 이미 이런 형태를 제공한다 [148]; 아직 이 비교를 재현한 두 번째 벤치마크는 없다(공백).

균형이 놓이는 지점: 실행 가능함은 명세 준수를 의미하지 않는다 — 이 결론은 여러 독립적 시스템에 의해 일관된 방향으로 뒷받침된다. 이를 근거로 본 서베이는 실행 가능성과 명세 준수를 두 개의 별도 기준으로 취급한다(2.2절).

10.2 모델 심사자가 사람을 대체할 수 있는가?

명제: 시스템을 비교할 때 모델 심사자(V1)의 점수가 인간 검토(V0)를 대체할 수 있다.

반대 증거: 모델 심사자는 인간보다 약 3.32 퍼센트 포인트 더 관대하다 [113]; 플레이 가능 / 불가능 / 불확실의 삼원 판단에서 인간과의 정확 일치율은 50.0%에 불과하다 [75]; 경쟁적 순위는 Pass@1과 $\rho = 0.23$의 상관을 보인다 [207]; 하나의 산출물 배치에서 모델 심사자는 92.59%를 주는 반면 실행 가능한 검사는 78.41%만 준다 [46]. 여러 연구는 또한 평가 대상 모델과 같은 계열을 공유하는 심사자가 편향을 도입한다고 인정한다([113][107]의 자기 선언적 한계; 그리고 "평가자와 평가 대상 아이디어가 같은 모델에서 나오는" 구조가 교육 지향 공동 창작 [41]과 SPINE [152]에 나타난다).

뒷받침 증거: 하나의 환경, 하나의 루브릭, 하나의 모델 계열 내에서 모델 심사자와 인간 순위는 상대적 순서에 대해 대체로 일치한다(대부분의 벤치마크는 인간 검토와 같은 방향을 가리키는 순위를 보고하지만, 정확 일치 수치는 온전히 보고되는 경우가 드물다). 이 측은 반대 측보다 약하다: 검증 가능한 일치 통계보다는 대개 "같은 방향"을 보고한다.

타당성 조건: 모델 심사자는 거친 선별과 회귀 테스트에 쓸 수 있다; 일단 시스템 간 비교나 의사결정 임계값에 사용되면 관대함 편향과 삼원 불확실성이 결론으로 곧장 전파된다 [113][75].

설명을 분리할 수 있는 실험: 하나의 산출물 배치에 대해 모델 심사 점수, 인간 점수, 실행 가능 통과율을 함께 보고하고, 불확실 범주를 포함한 쌍별 일치도를 제시한다. 현재 세 가지를 모두 보고하는 벤치마크는 없다.

균형이 놓인 지점: 균형은 분명히 "대체할 수 없음" 쪽으로 기운다. 방어 가능한 현재의 용법은 모델 심사를 심판이 아닌 필터로 취급하는 것이다(나의 추론이며, 문헌은 이 운용 규칙을 명시적으로 진술하지 않는다).

그림 28　GameLogicBench의 과제 계층과 심사 설정 [43](원본 그림 2에서 재현; 원본은 CC BY 4.0 라이선스). 왼쪽에는 통합 범위에 따른 세 가지 과제 등급(시스템 수준 통합을 위한 Repo, 메커닉 상호작용을 위한 Combo, 단일 메커닉을 위한 Atom)이 있다; 가운데에서는 밀폐된 Godot 프로젝트 안에서 에이전트가 과제를 해결하며, 그림은 네트워크가 명시적으로 차단되었음을 표시한다; 아래에는 인간이 작성한 시나리오가 결정론적 심사를 제공한다(그림은 언어 모델이 사용되지 않음을 표시한다); 오른쪽에는 동일 설정에서 구성들의 해결률이 있으며, 최고 52.78%에서 최저 16.67%에 이른다.

그림 29　하나의 산출물 배치 위의 세 가지 자([46][113][75][207]의 종합): 모델 심사는 인간보다 약 3.32 퍼센트 포인트 더 관대하고, 실행 가능 검사는 더 엄격하며, 인간 심사와 경쟁 심사의 순서는 어느 쪽과도 완전히 일치하지 않는다; 이 그림은 도식이며 정량적 차트가 아니다.

10.3 일관성은 모델에 있어야 하는가, 구조에 있어야 하는가?

명제: 장기 지평 일관성은 더 강력한 생성 모델에 의해 내면화되어야 하는가, 아니면 외부 구조(지식 트리, 상태 표현, 레이아웃 파일)에 의해 보장되어야 하는가?

내면화를 위한 증거: 비디오 월드 모델 경로는 더 큰 규모와 더 강한 조건화를 통해 일관성의 직접적 향상을 주장한다; Magpie [201]는 34 GB의 VRAM과 전용 렌더링 서비스를 대가로 1.55초 지연 제약 아래에서 블록 간 일관성을 유지한다고 보고한다. 외부화를 위한 증거: Programmable World Model [66]이 규칙을 코드로 작성한 후 상태 정확도는 98.00에 도달한다(같은 연구의 비디오 경로: 8.00/58.00); SKT [98]는 지식 트리로 환각을 17.80%에서 6.27%로 줄인다; SNAP [62]는 "모름"을 구조적으로 표현 불가능한 상태로 만든다; World Craft [16]와 IVIE [108]는 레이아웃과 스키마를 사용하여 통행 가능성과 해결 가능성을 보장한다.

타당성의 조건: 외부화 경로의 이득은 구조가 기록될 수 있다는 전제에 의존한다. 구조가 기록될 수 없는 곳(아트 스타일, 컷신의 느낌, 오디오 분위기)에서는 외부화가 현재 발판을 갖지 못한다 — 이는 정확히 5장의 세 가지 얇은 잎이다.

설명을 분리할 수 있는 실험: 렌더링 품질을 고정한 채, 긴 지평(수백 번의 상호작용 단계)에 걸쳐 "구조적 제약이 있는" 경우와 "구조적 제약이 없는" 경우의 일관성 감쇠 곡선을 비교한다; 현재 가장 긴 보고는 여전히 블록 기억 메커니즘 [66]이며, 이는 거친 입자의 속성만을 다룬다.

균형이 놓인 지점: 구조가 기록될 수 있는 곳에서는 외부화 경로가 현저히 더 강한 증거를 가진다; 그럴 수 없는 곳에서는 논증이 시작되지도 않았다.

10.4 자동화는 인간 창작자에게 이득인가, 대체인가?

명제: 에이전트의 도입은 전체적으로 창작자의 역량을 확장한다.

표 9　인간 창작자를 위한 자동화의 이득과 비용. 포함 규칙: 검증 가능한 노력, 비용 또는 규모 결과를 보고한 연구; 양측은 서로 다른 기간(단기 과업 대 장기 유지보수 및 플랫폼 데이터)에 걸쳐 측정되므로 서로 상쇄될 수 없다.

타당성의 조건: 이득에 대한 증거는 대부분 단기 과업과 실험실 환경에서 나오며, 비용에 대한 증거는 대부분 실제 플랫폼과 장기 유지보수에서 나온다. 측정 기간이 다르므로 양측은 서로 상쇄될 수 없다.

설명들을 분리할 수 있는 실험: 두 이정표에 걸쳐 하나의 팀과 하나의 프로젝트 내에서 수행하는 전후 비교로, 산출 속도, 인간 대 모델 결정의 비율, 재작업량, 최종 전달 품질을 기록한다. 본 설문의 코퍼스에는 그러한 연구가 없다.

균형이 위치하는 곳: 과업 수준의 이득에 대해서는 증거가 충분하나, 조직의 순효과에 대해서는 불충분하며, 알려진 부정적 신호(공개 상관관계, 통제감, 기술 부채)는 생산성 수치 아래에 묻혀서는 안 된다.

10.5 검증자 선택 차트

그림 30　검증자 선택 차트. 이는 본 설문이 4–9장의 증거로부터 도출한 운영 조언(나의 추론)이며, 어느 단일 논문이 주장한 바가 아니다; 모든 후보 검증자에는 그 증거 출처가 주석으로 달려 있다.

핵심 요점

• 실행 가능하다는 것이 명세 준수를 의미하지는 않는다: 이 둘은 서로 다른 높이의 두 임계값이다 [148][114][34].
• 현재 증거에 따르면 모델 심사자는 심판이 아니라 필터여야 한다: 3.32pp의 관대함, 삼원 판단에서 50.0%의 일치율 [113][75].
• 일관성 논쟁은 구조를 작성할 수 있는 곳에서는 종결되었고(외부화가 더 강력함), 그럴 수 없는 곳에서는 아직 시작되지 않았다 [66][152].
• 자동화로 인한 과업 수준의 이득은 잘 입증되었으나, 조직의 순효과는 그렇지 않으며, 세 가지 종류의 부정적 신호가 존재한다: 공개 상관관계, 통제감, 기술 부채 [208][163].

11 자원: 벤치마크, 데이터셋, 시스템 및 도구

이 장은 재사용 가능한 자원을 한곳에 모아 독자가 논문을 하나하나 찾아볼 필요가 없도록 한다. 포함 규칙은 자원 자체가 입수 가능하고(공개 논문, 접근 가능한 코드 또는 플랫폼), 본 설문의 코퍼스 내 최소 두 편의 연구가 이를 사용하거나 이와 비교하는 것이다; 검증자와 규모가 크게 다르므로 아래 표는 "어느 것이 더 나은가"의 순위가 아니다.

표 10　리소스 인벤토리. 포함 규칙: 본 코퍼스 내 최소 두 편의 연구에서 입수 가능하며 사용되거나 비교 대상이 된 벤치마크, 시스템 및 도구; "링크 상태"는 논문 및 그 자체의 오픈소스 성명을 따르며 저장소 가용성은 항목별로 검증되지 않았음; 검증기 열은 행 간 순위 매김에 사용되어서는 안 됨.

리소스 수준에서 세 가지 공백이 두드러진다. 첫째, 공유된 교차 환경 테스트베드가 없다: 모든 벤치마크는 자체 엔진이나 플랫폼(Godot, Unreal, Roblox, 브라우저)에 묶여 있으며, 여러 엔진에서 동시에 실행되는 작업 세트는 없어 "환경 난이도"를 독립적인 차원으로 측정하는 것이 불가능하다. 둘째, 결함 데이터셋이 공개되지 않는다: 제7장의 주입 기반 결함 실험은 대부분 사내 결함 세트를 사용하며, 기존 벤치마크도 결함 샘플 라이브러리를 공개하는 경우가 드물어 제3자가 탐지율을 재검증하기 어렵다. 셋째, 비용과 지연 시간이 기록되지 않는다: 호출 비용, 행동 지연 시간 또는 VRAM 점유율을 보고하는 연구는 소수에 불과하지만 [44][56][201], 이 세 가지가 기법이 일상적 프로덕션에 진입할 수 있는지를 결정한다(나의 추론이며, "인간의 속도를 따라잡을 수 있는가"가 제7장과 제8장에서 실질적 병목임이 거듭 드러났다는 점을 근거로 한다).

핵심 요점

• 이 목록은 판정 벤치마크, 엔드투엔드 시스템, 엔지니어링 도구의 세 가지 자원을 다루며, 모두 "획득 가능하고 사용됨"이라는 규칙에 따라 포함되었다.
• 공유된 교차 환경 테스트베드가 존재하지 않으므로, 현재 "환경 난이도"를 독립적인 차원으로 측정할 수 없다.
• 결함 데이터셋은 일반적으로 공개되지 않으므로, 결함 탐지율을 제3자가 재검증하기 어렵다.
• 비용, 지연 시간, VRAM을 보고하는 연구는 소수에 불과하지만, 이것들이 바로 어떤 기법이 일상적 생산에 진입할 수 있는지를 결정한다 [44][56][201].

12 응용: 방법이 다시 쓰이는 곳

생산 측 방법은 고르게 확산되지 않는다. 객관적 기준이 존재하는 곳(엔지니어링, 자산, 테스팅)에 먼저 자리 잡은 뒤, 주장 가능한 것의 경계를 따라 바깥으로 퍼져 나간다. 먼저 교육용 게임과 인지 훈련으로, 그다음 XR과 몰입형 프로토타이핑으로, 마지막으로 커뮤니티 모딩과 테이블톱으로 퍼진다. 이 장은 각 영역이 방법을 어떻게 다시 쓰는지를 그 순서대로 기록한다. 별도 언급이 없는 한, 이 연구들은 본 설문조사에서 초록 수준(티어 C)으로 인용된다. 즉, 스스로 밝힌 목적과 산출물에 대해서만 인용하며, 읽지 않은 내부 메커니즘이나 수치를 전달하지 않는다.

교육과 인지 훈련은 방법론적 전이가 나타나는 첫 번째 영역이다. 왜냐하면 이 영역의 정확성 요구는 학습 목표로 외부화될 수 있기 때문이다. GamED.AI [106]는 교육용 게임 생성을 계층화된 다중 에이전트 역할로 분해한다. 인지 장애 환자를 대상으로 하는 LETGAMES [205]는 게임화된 과제를 통해 인지 훈련을 구성한다. 한 교실 연구는 언어 매핑 인터페이스를 사용하여 교사와 AI 간의 공동 창작을 지원한다 [41]. 기능성 게임을 위한 절차적 콘텐츠 평가 역시 강화학습 에이전트와 연결된다 [116]. 이 영역에서 공유되는 재작성은 기준이 "게임이 재미있는가"에서 "학습 목표가 달성되었는가"로 이동하며, 이를 위해서는 추가적인 영역 주장 계층이 필요하다는 점이다. 이는 10.1절의 "실행 가능하다는 것이 명세 준수를 의미하지는 않는다"와 같은 문제의 또 다른 형태이다.

XR과 몰입형 프로토타이핑은 상호작용 반복 속도를 중심으로 다시 쓰인다. XARP Tools [141]는 사람과 AI 에이전트가 공유하는 XR 플랫폼을 제공한다. Gemini "바이브 코딩" 흐름을 갖춘 XR Blocks [188]는 프로토타이핑 주기를 대화 수준으로 압축한다. SPHERE [130]는 인간 개입형 강화학습으로 VR 실내 장면을 적응시킨다. PlayWrite [84]는 XR에서 플레이를 통해 내러티브 공동 창작을 가능하게 한다. EchoLadder [30]와 ImmerseGen [53]는 각각 VR 장면과 몰입형 세계를 다룬다. CoGen3D [72]는 VR 자산의 인간-AI 협업 설계를 목표로 한다. VRScout [115]는 테스팅을 해당 영역으로 끌어들인다. 공유되는 특징은 인간의 신체와 공간이 검증자의 일부가 된다는 점이다. 이 연구들에서는 사람의 즉각적인 피드백이 9장의 벤치마크를 대체한다.

커뮤니티 모딩과 플레이어 주도 창작은 생산의 민주화에 가장 가까운 분파이다. StarCharM [139]은 생성형 AI로 Stardew Valley의 모딩 장벽을 낮추고, BLOCK [157]은 Minecraft용 캐릭터 스킨 파이프라인을 생성하며, MagicCraft [183]는 상용 메타버스 플랫폼용 인터랙티브 3D 오브젝트를 생성하고, 스마트 브러시 도구 [203]는 즉석 맵 편집을 지원하며, 플레이어 주도 편집 아케이드 실험 [146]과 협업형 오픈월드 디자인 플랫폼 [180]은 저자와 플레이어의 관계를 직접적으로 재작성한다. 여기서의 재작성은 작품을 수용하는 주체의 이전이다. 스튜디오의 수용 기준은 사라지고 플레이어가 출시와 리텐션을 통해 수용하는데, 이는 바로 8.3절의 공개 효과를 측정할 수 있는 설정이다 [208].

테이블톱, 카드 게임, 인터랙티브 내러티브는 규칙이 곧 코드라는 특징을 공유하므로 구조적 기준이 쉽게 도출된다. Cardiverse [126]와 Boardwalk [193]은 카드 및 보드게임 프로토타이핑을 겨냥하고, AutoBG [1]은 보드게임 디자인 어시스턴트를 제공하며, 관련성 연구를 동반한 트레이딩 카드 생성 [154]과 테이블톱 RPG용 몬스터 레벨 예측 [175]은 같은 계보에 속하고, Dungeons & Dragons용 동적 난이도 조정 [47]은 밸런스 문제를 형식화한다. 인터랙티브 내러티브 측면에서는 GenLARP [97]와 Storycaster [7]가 실사 역할극을 위한 AI 생성 세계와 캐릭터를 활용하고, NPC 대화 설계 방법 [140][61]과 개방형 내러티브 프레임워크 [176]는 5.5절의 지식 제약 아이디어를 이어가며, WhatELSE [37]와 내러티브 시각화 탐구 [127]는 저자 통제 가능성을 다룬다.

산업 자산과 엔진 파이프라인은 가장 직접적으로 응용된 범주이다. Hunyuan3D Studio [171]와 Hunyuan-Game [202]은 "게임 레디 자산 / 산업 창작 모델"로 명명되었고, Puppeteer [147]는 리깅과 애니메이션을 자동화하며, EasyCraft [153]는 캐릭터 아바타를 조립하고, Spiritus [150], Bunraku [155], Sketchar [159], SPRITETOMESH [168]는 2D 캐릭터와 일러스트의 생성 및 재처리를 다룬다. 이들의 출력 기준(면 수, 리깅 품질, 직접 임포트 가능성)은 5.2절의 자산 분파와 일치하여, 이 범주는 본 서베이에서 다른 장과 기준을 공유하는 유일한 응용 영역이다.

표 11　응용 영역 나란히 비교. 포함 규칙: 하나의 특정 응용 영역을 대상으로 하며 에이전트를 생산 방식으로 사용하는 작업; 기준은 영역마다 다르고 상호 비교할 수 없으며, 여기 나열된 모든 작업은 이 설문에서 초록 수준에서만 인용된다.

핵심 요점

• 방법이 확산되는 순서는 기준이 얼마나 단언 가능한지에 따라 정해진다: 엔지니어링, 자산, 테스트가 먼저, 교육과 XR이 다음, 커뮤니티와 탁상용이 그 뒤를 잇는다.
• 교육 및 인지 훈련 영역은 기준을 학습 목표로 외부화하므로 추가적인 영역 단언 계층이 필요하다 [106][205].
• XR 영역은 벤치마크를 즉각적인 인간 피드백으로 대체하며, 그 대가로 결론을 재현하기 어렵다(제8장과 동일한 원인) [141][188].
• 산업 자산 파이프라인은 제5장과 기준을 공유하는 유일한 응용 영역이다 [171][202].

13 향후 방향

아래 다섯 항목은 앞선 장들의 증거 격차에서 도출된다; 각 항목은 그 격차를 드러내는 증거, 이미 그 방향을 가리키는 작업, 그리고 불확실성을 줄일 수 있는 하나의 구체적인 테스트를 제시한다. 이들은 예측이 아니다.

1. 검증자는 일급 시민으로 보고되어야 한다. 이를 드러내는 증거는 제9장의 네 가지 비교이다: 92.59%에서 78.41%로 떨어지는 한 배치의 산출물 [46], 높은 점수 뒤에 거의 겹치지 않는 해법 집합이 따르는 경우 [69], 43%가 통과하지만 메커니즘 F1이 0.000인 경우 [114], 그리고 다중 시나리오 설정을 제거하면 58.1%로 부풀려지는 경우 [43]. 이 방향을 가리키는 작업은 Spec2Game의 2계층 보고 형식이다 [148]. 실행할 수 있는 테스트: 새로운 벤치마크는 한 배치의 산출물에 대해 실행 가능한 검사를 통과하는 비율과 명세 단언을 통과하는 비율을 모두 제시하고, 둘 사이의 차이를 공개해야 한다.

2. 콘텐츠 생산에는 산출물을 겨냥한 기준이 필요하다. 이를 드러내는 것은 제5장의 빈약한 증거 분포(UI 3, 컷신 5, 오디오 7)와 어떤 오디오 작업도 게임 오디오 미들웨어와 연결되지 않는다는 사실이다. 이 방향을 가리키는 작업은 Artisan의 물리 보고서 [6]와 World Craft의 엔진 착륙 [16]이다. 실행할 수 있는 테스트: 하나의 구체적인 산출물(예를 들어 "프로젝트에 곧바로 믹싱할 수 있는 오디오 팩")에 대해 검사 가능한 명세를 정의하고, 서로 다른 시스템들의 그 명세 준수율을 보고한다.

3. 자기 확증 루프는 깨져야 한다. 이를 드러내는 것은 모델 심사자가 사람보다 3.32퍼센트 포인트 더 관대하다는 점 [113], 삼항 판단에서 50.0%의 일치율 [75], 그리고 평가자와 평가 대상 개념이 출처를 공유하는 SPINE의 구조 [152]이다. 이 방향을 가리키는 실천은 독립적인 모델 계열이나 인간 맹검 검토를 도입하고 "불확실" 수준을 명시적으로 모델링하는 것이다 [75]. 실행할 수 있는 테스트: 한 표본에 대해 세 주체(모델 심사자, 인간, 실행 가능한 검증)의 쌍별 일치도를 보고하고, 이들이 불일치하는 사례를 공개한다.

4. 장기 지평 일관성과 실시간 성능의 공동 제약. 이를 드러내는 것은 디커플링 경로에서 나온 두 수치이다: 상태 정확도 98.00 [66]와 34 GB의 VRAM에서 1.55 s 지연 [201]. 이 방향을 가리키는 연구로는 블록 메모리 메커니즘 [66]과 소수 스텝 증류 렌더링 [201]이 있다. 실행 가능한 테스트: 렌더링 품질을 고정한 상태에서, 수백 회의 상호작용 스텝에 걸친 일관성 감쇠 곡선을 지연 및 VRAM과 함께 보고한다.

5. 자연 결함과 조직적 순효과. 이를 드러내는 것은 두 가지 공백이다: 결함 실험이 거의 모두 주입 기반이며(제7장), 팀 수준의 전후 비교를 제시한 연구가 없다(10.4절). 이 방향을 가리키는 연구로는 결함 샘플 라이브러리 공개 시도 [9][189]와 이해 부채에 관한 정성 연구 [163]가 있다. 실행 가능한 테스트: 실제 프로젝트에서 추출한 자연 결함 세트를 공개하고, 최소 두 개의 독립 시스템이 동일한 샘플에서 탐지율을 보고하도록 한다.

핵심 요점

• 다섯 가지 미해결 문제는 모두 위의 증거 공백에서 직접 도출되며, 각각 실행 가능한 테스트를 동반한다.
• 가장 시급한 것은 검증기 보고 표준이다: 이는 나머지 네 가지의 수치를 서로 비교할 수 있는지를 결정한다 [148][46].
• 콘텐츠 전달 기준과 오디오 미들웨어 통합은 실질적 진전을 가장 얻기 쉬운 부분이다 [6][16].
• 자연 결함과 조직적 순효과는 새로운 데이터 출처를 필요로 하며, 단일 논문이 단기간에 해결하기 어렵다 [163][208].

14 결론

본 서베이는 에이전트가 2025년 이후 게임 제작에 진입한 여섯 가지 주요 경로를 검토하고 그 증거를 하나의 기준 위에서 비교하였다. 네 가지 결론을 안전하게 진술할 수 있다.

첫째, 이 분야의 구분은 모델이 아니라 과업 표면에 의해 설정된다. 엔지니어링 및 에셋 산출물은 객관적 기준을 가지므로 진전이 축적된다: 컴파일 게이트 [51], 런타임 단언 [43], 물리 보고서 [6], 기하 검사 [206]는 "사용 가능한가"를 재검증 가능한 수치로 전환하였다; 반면 UI, 컷신, 오디오, 디자인 발상은 게임 레디 산출물에 대한 기준이 존재하지 않으므로 여전히 대리 측정에 머물러 있다. 둘째, 검증기의 선택은 모델 간 격차보다 더 크게 결론을 바꾼다, 이는 네 개의 독립적 증거군에 의해 뒷받침된다(92.59% 대 78.41% [46]; 상위 다섯이 1.1pp 이내이나 해법 집합은 거의 겹치지 않음 [69]; 43% 대 0.000 [114]; 630개 중 387개가 모든 검사를 통과하나 87개는 명세에서 60점 미만 [148]), 이것이 본 서베이가 보고하는 모든 수치의 맥락에 검증기 수준(V0–V6)을 기입하는 이유이다. 셋째, 일관성에 대한 현재의 답은 외부 구조에 의존한다: 규칙을 코드로, 지식을 트리로, 레이아웃을 파일로 작성하는 것은 구조를 작성할 수 있는 곳에서는 내면화보다 현저히 나은 일관성을 제공하며 [66][98][16], 작성할 수 없는 곳에서는 논의가 시작조차 되지 않았다. 넷째, 인간의 위치는 자동화로 대체된 것이 아니라 재가격화되었다: 발산에서의 이득은 분명하나, 수렴에서는 통제감, 선택의 근거, 대기의 비용이 새로운 병목이 되며 [194][152][56], 플레이어 측의 부정적 신호는 측정 가능하나 아직 귀속되지는 않는다 [208].

구조적으로, 이 서베이가 제시하는 프레임워크(과제 표면 × 환경 표면 × 검증기, 그리고 네 가지 기준과 V0–V6)는 후속 연구에서 재사용될 수 있다. 어떤 새로운 게임 제작 에이전트든 $(T, E, A, V, K, D)$로 한 번 작성한 뒤 검증기 수준에 따라 비교할 수 있다. 이것이 이 서베이가 남기고자 하는 핵심이다. 논문 목록이 아니라 수치를 비교 가능하게 만드는 부기 체계인 것이다.

핵심 요점

• 여섯 갈래에 걸친 진전의 속도는 모델 역량이 아니라 기준의 강도에 의해 결정된다.
• 검증기의 선택은 이 분야의 가장 큰 교란 변수이며, V0–V6와 네 가지 기준 [46][69][114][148]을 통해 명시적으로 보고되어야 한다.
• 일관성에 대한 실행 가능한 답은 "구조는 작성될 수 있다"는 쪽에 있다. 그럴 수 없는 곳에서는 공간이 공백으로 남는다 [66][98].
• 인간의 위치는 재평가된다. 발산은 공로를 얻고, 수렴은 마찰을 낳으며, 플레이어 측에는 측정 가능하지만 귀속되지 않는 부정적 신호가 존재한다 [194][208].

부록 A　범위와 증거의 경계

A.1 시간 창, 출처 및 선별

• 시간 창: v1 제출일이 2025-01-01보다 이르지 않음(개정본은 연대 측정에 사용하지 않음), 검색은 2026-10-13까지 수행.
• 검색 경로: 13개로, 교차 필터링이 아니라 합집합으로 결합됨 — 6개의 키워드 필터, 3개의 의미론적 회수, 3개의 출처 및 범주 제한 경로(일일 arXiv 공지 및 지정 범주 포함), 그리고 1개의 인용 확장.
• 선별 깔때기: 13개 경로의 합집합에서 3,362편 → 1차 라운드에서 검토 대상 풀을 354편으로 축소 → 2차 라운드에서 137편을 유지하고 217편을 배제 → 잘못된 배제를 바로잡기 위해 배제된 논문을 개별적으로 다시 읽어 64편을 회수하고, 수동 검토에서 추가로 23편을 회수하며 1건의 공백을 채움(세 집단은 상호 배타적이지 않으며 총 88건) → 중복 제거 후 핵심 코퍼스는 210편으로, 2차 라운드의 137편 대비 순증 73편.
• 포함 기준: 게임 제작 활동(생성, 수정, 검증, 평가)을 에이전트를 중심으로 조직하는 연구. 이에 따라 세 가지 유형이 배제된다: 게임 제작 파이프라인에서 인용되지 않는 독립형 생성 모델, 순수하게 플레이어 측 경험을 다루는 연구, 순수한 렌더링 기술. 배제된 사례 중 가장 큰 집단은 "단일 3D 또는 이미지 생성 모델"이며, 기술적 전제로서의 그 역할은 본문에서 대조로만 등장한다.
• 기준의 두 가지 알려진 한계: 첫째, "에이전트 중심"은 인접 분야(일반 소프트웨어 공학, 일반 3D 생성)와의 경계에서 판단에 의존하므로 게임이 부차적 배경인 연구는 놓칠 수 있다. 둘째, 코퍼스는 영어 프리프린트가 지배적이며, 공개되지 않은 산업 시스템(예컨대 상용 엔진 벤더의 사내 도구)은 포함될 수 없다.

A.2 읽기 깊이와 인용 등급

210편의 논문은 증거 강도에 따라 세 계층으로 등급이 매겨진다: 112편은 전문 섹션 단위로 정독(95편은 A계층으로, 그 수치들은 본문에서 직접 인용되거나 섹션별로 전달된다; 17편은 B계층으로, 전문을 읽었으나 정성적 인용 또는 병렬 인용에만 사용된다), 그리고 98편은 초록 수준(C계층으로, 제목과 초록만으로 인용되며, 읽지 않은 메커니즘이나 수치를 전달하지 않는다). 추가로 한 편의 논문([163])은 본문을 입수할 수 없어 초록 수준에 더해 읽기 노트로 처리되므로, 그 결론은 본문에 정성적 형태로만 등장한다. 세 계층 모두에 대한 논문별 기록은 빌드 원장(읽기 깊이, 인용 계층, 출처 로케이터)에 있다.

A.3 초록 수준 증거 목록 (98편)

아래 저작들은 이 서베이에서 제목과 초록만으로 인용되므로, 이 서베이의 결론의 근거라기보다는 추가 읽기 자료로 읽을 수 있다. 이들은 가장 관련이 깊은 장에 따라 묶여 있다.

4장(코드와 엔지니어링) 관련: [78] Harness-of-Harness (다일 자율 개발), [94] 지식 기반 애플리케이션 수준 코드 생성, [129] Fly, Fail, Fix (강화 학습과 멀티모달 모델을 이용한 반복적 수리), [158] 끝없는 러너 게임의 LLM 지원 리팩터링, [186] PlayTrain (강화 학습을 이용한 LLM 생성 JS 게임).

5장(콘텐츠 제작) 관련: [2] SceneLCM, [3] SimWorld Studio, [5] 생성적 온톨로지, [13] 멀티 에이전트 강화 학습으로서의 레벨 디자인, [27] AnimeAgent, [31] IPCGRL, [33] StoryBlender (스토리보드 일관성), [48] 절차적 장면 프로그램, [54] 내러티브 원형의 의미 신호, [61] 장면 설명으로부터의 에이전트 내러티브 작성, [64] BackgroundMellow (영화적 사운드스케이프), [67] 허구 세계 구축을 위한 멀티 에이전트 협업, [74] PhiP-G (물리 기반 텍스트-투-3D 장면), [80] Constella (캐릭터 관계 공동 창작), [81] Plug-and-Play Dramaturge (반복적 대본 개선), [82] 절차적 콘텐츠 메타 생성, [88] MajutsuCity, [93] 반응형 캐릭터 행동에 대한 절차적 전략 탐색, [101] 레벨 디자인을 위한 심층 강화 학습, [102] 3Dify (MCP + RAG를 이용한 절차적 3D-CG), [118] SceneCode (편집 가능한 이동 가능 오브젝트를 갖춘 실행 가능한 세계 프로그램), [119] OpenBlock, [131] CoComposer (멀티 에이전트 음악 협업), [133] MoGraphGPT, [135] Valerant (탐색 가능한 맵 생성), [137] AniME (장편 애니메이션을 위한 적응형 멀티 에이전트 계획), [142] M³VIR 데이터셋, [143] Elemental Alchemist (입자 시스템의 의미론적 제어), [147] Puppeteer (리깅과 애니메이션), [150] Spiritus (2D 캐릭터와 애니메이션), [153] EasyCraft (아바타 조립), [155] Bunraku (Live2D 캐릭터), [156] GameTileNet (저해상도 게임 아트 데이터셋), [165] 데이터베이스 기반 3D 레벨 생성, [167] 인간 정렬 절차적 레벨 생성, [168] SPRITETOMESH, [169] Angry Birds 레벨 안정화, [170] SonicRAG (검색 증강 음향 효과), [172] 감정 아크 기반 레벨 생성, [173] 아틀라스 스타일 3D 에셋 분할 워크플로, [174] GenTune (환경 디자인에서의 추적 가능한 프롬프팅).

6장(생성적 세계 모델)과 관련: [10] Orchestrated Reality(파라메트릭-행동 POMDP 세계 시뮬레이션), [17] World Editing(실행 가능한 세계에 대한 계층적 개입), [22] 퍼지 인지 지도에서 인과적 가상 세계로, [52] GS-Agent(생성적으로 시뮬레이션된 4D 물리 세계), [65] 다중 액터 장면 저작을 위한 도구 제약 에이전트, [68] WorldGen(텍스트에서 이동 가능한 3D 세계로), [120] CASCADE, [164] PROWBench(비디오 모델이 프로그램이 명시한 것을 렌더링하는지 여부).

7장(테스팅 및 품질 보증)과 관련: [12] 게임 QA에서의 기하학적 클리핑 탐지, [19] FactorSmith(MDP 분해를 통한 시뮬레이션 생성), [24] 무한 달리기 게임에서 절차적 콘텐츠의 런타임 평가, [60] 3D 게임을 위한 행위 주도 개발, [70] 인간-기계 협업 게임 테스팅, [85] 레이싱 레벨 밸런스를 위한 시뮬레이션 주도 방법, [86] 베이즈 최적화 기반 테스팅 에이전트 제어, [104] MMO를 위한 생성적 다중 에이전트 플레이테스트 시뮬레이션, [105] 3D 게임의 호기심 주도 테스팅, [121] 시나리오 주도 신경진화 테스트 생성, [138] 게임플레이 비디오에서 결함 프레임 검색, [179] 19,738개 프레임에 대한 VLM 시각적 결함 탐지 능력.

8장(디자인 및 인간-AI 협업)과 관련: [149] 중형 LLM을 활용한 게임 콘셉트 아이디어 발상, [163] 자원 제약이 있는 인디 팀의 이해 부채, [190] Design Creativity Bench(UI 생성에서 창의성 측정).

9장 및 11장(벤치마크 및 자원)과 관련: [111] WorldBench(복셀 세계 생성), [128] GenAI4IDN 3.0, [151] 의미론 인식 게임 이미지 품질 평가, [160] 절차적 콘텐츠 생성 벤치마크, [198] AI for Games in the Foundation Model Era, [209] AI Native Games: A Survey and Roadmap.

12장(응용)과 관련: [7] Storycaster, [37] WhatELSE, [45] GenEscape(방탈출 퍼즐), [47] D&D 동적 난이도, [73] GardenDesigner, [97] GenLARP, [106] GamED.AI, [116] 기능성 게임을 위한 절차적 콘텐츠 평가, [126] Cardiverse, [130] SPHERE, [140] 상징적 스캐폴딩을 활용한 NPC 대화, [141] XARP Tools, [154] 트레이딩 카드 생성 및 관련성, [157] BLOCK(마인크래프트 스킨 파이프라인), [171] Hunyuan3D Studio, [175] 테이블톱 RPG를 위한 몬스터 레벨 예측, [176] Narrative Context Protocol, [180] Amorphous Fortress Online, [183] MagicCraft, [188] Vibe Coding XR, [193] Boardwalk, [202] Hunyuan-Game, [203] 스마트 브러시 맵 편집, [205] LETGAMES(인지 훈련).

A.4 근거가 얇은 리프 및 알려진 한계

아래의 리프들은 다른 리프들보다 근거가 현저히 얇으며, 본문은 이들의 모든 결론을 명시적으로 표시한다: UI 3편([125][36][177]), 컷신 5편([71][15] 및 기타), 오디오 7편([32][55][117][131][64][170][145]), 디자인 아이디어 발상 7편([194][178][30][149][195][190][41]). 이들이 공유하는 것은 기법의 부재가 아니라 전달 지향적 기준의 부재이다(5.7절에서 이를 전개한다).

독자가 염두에 두어야 할 다른 경계들: 결함 실험은 대부분 주입 기반이며, 실제 결함 보고서나 실제 크래시를 사용한 경우는 소수에 불과하다([59]). 엔진 전반에 걸쳐 실행되는 벤치마크는 없으므로 "환경 난이도"를 독립적인 차원으로 측정할 수 없다. 비용, 지연 시간, VRAM은 소수의 연구만이 보고한다([44][56][201]). 모델 심판과 평가 대상 시스템 간의 동일 계열 관계는 여러 곳에서 저자들에 의해 한계로 인정되었으며([113][107]) 여기서 독립적으로 재확인되지 않았다. 그리고 플레이어 경험에 대한 설문 연구는 전반적으로 방법론적으로 취약하므로([27]) 인용은 척도와 표본으로 돌아가야 한다. 이 설문 조사가 하지 않은 것: 메타분석 없음, 벤치마크의 독립적 재현 없음, 공개되지 않은 시스템의 자기 보고 결과에 대한 제3자 검증 없음 — 따라서 모든 "핵심 수치"는 원저자들이 자신들의 설정 하에 보고한 것으로 읽어야 하며, 이 설문 조사는 이를 검증자 수준 내에서만 비교한다.

부록 B　리프-챕터 매핑 및 리프 간 중복

분류 트리(그림 4)의 리프는 챕터에 일대일로 매핑되지 않는다. 여러 연구가 두 개의 주요 계통에 나타나며, 아래 표는 이들이如何处理되는지를 기록한다. 중복이 발생할 때, 이 설문 조사는 해당 연구가 스스로 주장하는 분야가 아니라 해당 챕터에서 논의된 역량에 대해 그 연구를 인용한다.

표 12　리프-챕터 매핑 및 리프 간 중복. 하나의 연구는 서로 다른 관점에서 여러 챕터에 나타날 수 있으므로, 단 한 챕터에만 등장하는 번호가 다른 챕터에서 거부되었다는 것을 의미하지는 않는다.

이 표의 목적은 하나의 연구가 서로 다른 관점에서 서로 다른 챕터에 등장한다는 점을 분명히 하는 것이므로, 단 한 챕터에만 등장하는 번호가 다른 챕터에서 거부되었다는 것을 의미하지는 않는다.

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