面向游戏生产的AI智能体：2025年以来的技术路线、验证器与开放问题

摘要

游戏生产正在被重组：从“人类写代码、人类做资产、人类试玩”转向“智能体提出工程结构、调用引擎工具、由某个验证器决定结果是否通过”。本综述考察自 2025 年以来这一转变的技术路线、验证工具与未解决问题，聚焦生产侧——智能体如何生成、修改和验证游戏工程、内容与质量——而非作为玩法核心的运行时生成式 AI。

本综述围绕任务面（必须产出什么）×环境面（智能体在何处操作）×验证器（什么决定“通过”）组织，并将验证器视为一等比较维度。其核心观察是：验证器的选择通常比模型之间的差距更能影响结论——同一批制品会随评判方法的变化而通过、失败或得到不同分数，而将验证下推到物理、几何和运行时状态，才是数量级提升所在。因此每一章都将其数字与产生这些数字的验证器一并报告，且不跨验证器进行比较。

语料库为 210 篇核心论文：112 篇按全文分节阅读，98 篇按摘要层面阅读。本综述分为四个部分：第 1–3 章给出边界、共享形式化（包括 V0–V6 验证器阶梯）和分类树；第 4–9 章叙述六条主线（代码与工程、内容生产、生成式世界模型、测试与质量保证、设计与人类–AI 协作、基准与评估）；第 10–12 章并置四个开放争议、盘点可复用资源，并讨论这些方法如何在教育、XR、社区模组及其他领域被改写；第 13–14 章从这些空白中推导开放问题并作结。

1 引言

1.1 与体验侧的分工

生成式 AI 沿两条不同的问题线进入游戏。“体验侧”将生成模型视为玩法核心：游戏本身在运行时生成，玩家行为改变的是生成过程（这一方向已有综述和路线图，见 [209][204][210]）。“生产侧”将智能体视为生产工具：它产出的是工程、关卡、资产、文本、测试报告和评估结论，标准是这些制品能否在引擎中使用并忠实于规格。两者共享模型和技术，但其验证方法和失败模式完全不同：在体验侧，失败意味着更差的玩家体验；在生产侧，失败意味着制品无法编译、无法完成，或通过了检查却偏离了设计意图。本综述仅覆盖生产侧；体验侧仅在涉及共享机制（世界模型、渲染）时作为对照出现。

1.2 为何是现在

可执行验证已经到来。 2025年，该领域的验证仍依赖模型评判器和人工检查；2026年出现了一批将编译器、断言和运行时状态引入游戏引擎的基准：Godot单元测试[136]、tick级状态断言[43]、Unreal中的PIE自动化断言[34][29]，以及Roblox中的编辑器状态加运行时检查[69]。这使得“客观通过的百分比”首次成为可报告的指标，并暴露出宽松检查器此前所掩盖的缺口。

Agent工作流从端到端生成转向结构化流水线。 早期方法是一条提示词、一个可玩小游戏；2025年之后，主流做法引入中间表示（模板库、蓝图、SPEC、字母矩阵、JSON计划），并在每个阶段边界前置验证[16][42][108]。

引擎内工具被开放。 MCP和编辑器API让agent能够直接操作Unity、Unreal、Blender和Godot[51][107][42][77]，这使生产力叙事有了可核查的依据。

成本开始被报告。 2026年的论文在报告质量的同时报告成本和延迟（每轮成本、每动作秒数、VRAM占用）[44][56][201]，使“能否进入日常生产”成为一个可讨论的问题。

1.3 本综述的贡献

本综述提供四项可核查的工作，而非一份论文清单。第一，一个可复用的组织轴（任务面 × 环境面 × 验证器）以及一套共享的形式化记号，使不同环境中的系统能够在同一基础上进行比较。第二，将验证器作为一等比较维度：每一章都报告同一批制品在不同验证器下会得出什么结论，以及跨基准比较的边界条件。第三，按阅读深度和引用层级对210篇论文进行分级处理（112篇进行了全文分节阅读，98篇为摘要级阅读），使每一个带有数字的论断都能追溯到实际阅读过的章节。第四，明确陈述五个证据缺口（四个薄弱分支——UI、过场动画、音频、设计构思——以及缺陷实验绝大多数为注入式这一事实），每个缺口都写成一个可检验的开放问题。

1.4 范围

时间窗口为v1提交日期不早于2025-01-01（修订版本不用于确定日期），检索执行至2026-10-13。语料库是13条检索路径的并集（6个关键词过滤、3个语义召回、3个来源和类别受限路径、1个引用扩展）；经过两轮AI筛选和两轮人工偏差校正后，包含210篇核心论文。纳入标准是“围绕agent组织游戏制作的工作”，这意味着独立的生成模型即使其输出可用于游戏，也被排除（仅当其明确位于游戏制作流水线内部时，才作为支持性证据保留）。艺术和3D资产分支遵循同一规则：LL3M或ShapeCraft等资产生成工作只有在被游戏制作研究引用或在其内部被评估时才纳入。完整路径列表、计数和被拒案例见附录A。

图1　本综述的组织结构。第4–9章承载论证；每一章都通过“任务表面 × 环境表面 × 验证器”来叙述其线索。第10章并列呈现争议双方的证据，第11–12章涵盖资源与应用，第13–14章汇聚于开放问题与结论。

1.5 阅读路线

如果你关心某一个具体问题：要问“我的智能体生成的游戏是否真的可用”，请从第9章（基准与评估）和10.1节（可执行不等于正确）开始；要问“从设计文档到可运行项目需要多少步”，请阅读第4章；要判断某一内容类型（关卡、资产、叙事、音频）的自动化是否成熟，请阅读第5章对应小节及其薄证据警示；要将智能体集成到你自己的项目中，请阅读第2章中的验证器阶梯以及第11章中的资源可用性。

2 预备知识：将游戏生产写作智能体问题

2.1 生产侧的问题定义

游戏生产可以写成一个约束生成问题：给定任务描述$T$（自然语言、设计文档、参考图像或像素输入）、迭代预算$K$（步数、墙钟时间、调用成本）和可执行环境$E$（沙盒、浏览器、Unity、Unreal、Blender或商业游戏的像素层），智能体通过一系列动作$A$产出制品$D$，验证器$V$在每一轮判断该尝试是否通过。有三件事使这一点区别于一般软件工程：制品通常是二进制资产（关卡文件、场景、纹理、音频），其正确性无法仅凭文本判断；环境通常无法完全重置（编译并运行一个Unity或Unreal项目的成本远高于单元测试）；并且“正确”本身有两层——可执行性与设计意图——二者之间没有自动桥梁（第4章和第10章给出证据）。

2.2 记号与四项标准

下文使用以下记号。每当引用系统的具体数字时，也会给出其环境表面和验证器类型；否则该数字不进入跨比较。该记号的目的在于能够分别陈述两件事：同一任务在不同环境中困难多少，以及同一批制品在不同验证器下被判断得多么不同。

表1　本综述通篇使用的记号。后文引用的每个数字都附带其环境表面和验证器类型；$V$行在下表中展开。

四条标准区分了所报告的分数究竟在测量什么，并在全文中反复使用：可执行性（它能否编译、启动并运行而不崩溃）、规范符合度（它是否实现了任务描述所要求的行为，通常由断言或解析层面的对齐来测量）、可玩性（游戏能否被完成，机制是否成立）以及可用性（美术、UI、音频和叙事是否达到可交付质量）。可用于这些标准的工具按此顺序依次减弱：前两者有客观工具，第三项部分有，第四项目前几乎完全依赖人类或模型评判者。

验证器阶梯（V0–V6）——本综述用它来标记每一条证据的可信度边界。层级越高越客观、越可复现，但也越狭窄：V6只能断言那些可以写成条件的行為逻辑。

表2　V0–V6验证器阶梯。层级越高越客观、越可复现，但也越狭窄；验证器的层级标记了它所产生证据的可信度边界。

图2　生产循环。六条主线中的每一条都可以写成该循环的一个实例；各条线的差异主要在于它们如何分解任务以及选择哪个验证器。

2.3 开发时间线

下图给出了日期与代表性工作；日期为v1提交时间，用于指示方法出现的顺序，而非主张优先权。

图3　生产侧的里程碑，按v1提交日期排列。该图指示方法出现的顺序；它并不主张优先权。

2.4 与现有综述的关系

表 3　与相关综述的比较。纳入规则：直接关于游戏 × 生成式 AI 且明确说明其覆盖范围的综述型论文；可比性限制：截止时间、语言与纳入规则各不相同，“关系”一列是本综述的判断。

要点

• 生产侧与体验侧共享模型，但不共享标准：生产侧追问的是，一件产物能否在引擎中使用、是否忠实于规格说明 [209][204]。
• 共同的形式化将每项工作写作 $(T, E, A, V, K, D)$；本综述中的所有比较均在此基础上进行。
• 验证器分为 V0–V6 级：级别越高越客观，但覆盖范围越窄，后文引用的每个数字都标注了其验证器级别。
• 时间线显示，重心在 2025 至 2026 年间从“端到端生成”转向“结构化流水线加可执行验证” [148][69][43]。

3 分类法：任务面、环境面与验证器

3.1 为何是这三个轴

对该领域常见的分类方式，或按应用（关卡、资产、音频……），或按技术（多智能体、强化学习、微调）。两者都有同样的副作用：它们隐藏了环境和验证器。然而，第 4–9 章的逐项比较反复表明，同一任务在 Unity 与文本沙盒之间不可比，同一批产物在不同验证器下会得出不同结论——在此进行比较的前提，是将这三件事分别陈述。

任务面决定了标准可以有多强：代码与工程产物天然可执行，因此“是否符合规格说明”可以写成断言；而美术、过场动画与音频产物没有这样的立足点（第 5 章）。环境面决定了迭代成本与可重置性：在文本沙盒中，一次失败只需重新运行一次脚本；在 Unreal 中，则需一次编译加一次 PIE 启动 [34][29]。验证器决定了数字的含义：V0–V2 的得分与 V4–V6 的通过率不是同一类量（第 9 章在一批产物上给出了比较）。除这三个轴之外，本综述在重要之处增加了两个次要轴——是否插入中间表示以及工作是否跨智能体拆分——因为它们是各章共有的技术手段，但它们本身并不定义任务类别。

3.2 分类树

图示给出了本文采用的分类法以及每个叶节点的代表性工作（数字指参考文献编号）。这是一种论述顺序，而非排名：单一工作可能属于多个叶节点（MAGIC 既属于面向代码与工程的引擎内工作流，也属于关卡与世界生成；MIMIC 既属于测试，也属于人类—AI 协作研究），附录 B 记录了每一处重叠。

图 4　分类树：六个主分支及每个叶节点的代表性工作。括号外的数字是参考文献编号；叶节点存在重叠，附录 B 记录了这些重叠。

要点

• 该分类法按任务表面 × 环境表面 × 验证器组织，而不是按应用或技术流派组织。
• 每个轴承担一项职责：任务表面确定标准强度，环境表面确定迭代成本，验证器确定一个数字意味着什么。
• “是否插入中间表示”和“是否将工作拆分到多个智能体”是各叶节点共享的技术动作，在第 4–9 章中叙述。

4 代码与工程：从整游戏生成到引擎内工作流

图 5　第 4 章子树。三类任务共享图 2 的循环；它们的区别在于验证器落在编译、运行时还是人类评分上。

4.1 整游戏与项目级生成

这一分支始于能否端到端产出一个可玩项目的问题。最早的答案让模型直接输出代码，并迅速暴露出三类失败：不稳定的项目骨架、损坏的跨文件依赖，以及虽能运行但机制不成立的作品。2025 年之后的转向是前置工程结构：先构建模板、技能库或中间表示，再让智能体填充该结构。

OpenGame [100] 是这一转向最完整的实现：它用可演化的 Game Skill 取代一次性生成——一个维护稳定项目骨架的 Template Skill，以及一个将反复出现的执行失败泛化为“错误签名 → 根因 → 已验证修复”调试协议的 Debug Skill——并通过持续预训练、监督微调和基于可验证奖励的强化学习训练 GameCoder-27B。在 Phaser 3 加无头浏览器环境中，它在机制满足度、视觉可用性和总体评分上分别得到 72.4、67.2 和 65.1，高于最强的 Cursor + Sonnet 4.6 组合（66.8、61.4、58.9）；作者还报告，34.9% 的加权机制需求仍未满足，且策略、解谜等抽象品类退化明显（混合 V1/V4 验证）。Code2Games [107] 走了另一条路线：四个专门智能体维护一个“场景—玩法表示”，并将修复限制在相应记录所覆盖的局部范围内，使 Unreal Engine 5 上的构建成功率提升到 97.7%（最强基线为 94.2%），并在 15 个指标中的 12 个上超过同骨干基线；它报告的差距是 Blender 到引擎的视觉保真度，以及评审模型与被评估模型属于同一家族这一事实。

图 6　OpenGame 的框架 [100]（转载自原图 2）。左侧为代码模型的持续预训练、微调与可验证奖励训练；中间为六阶段智能体工作流及其自我纠错循环；右侧为模板技能与调试技能构成的进化机制。

第二条改进路线将验证下移到玩法层。Play2Code [49] 使用一个与人类玩家共享同一渲染界面的 GUI 智能体，生成游玩摘要和修复清单；PlayCoder [109] 增加了一个用于行为测试的 PlayTester；RSIGame [96] 增加了全局质量监控与饱和控制；Recursive Game Creator [63] 将优化目标从程序正确性替换为玩家偏好，并使用编码原生的 Player 进行高频可复现的游玩测试，而 [95] 则是同一思路针对机制创造性的变体。这里的收益是直接的：它将标准从“能运行”提升到“可玩”。代价则是第 9 章的主题——评分器本身就是一个模型，而模型评判者会系统性地偏宽松。

第三条路线用确定性检查取代渲染批评。SimWorlds [42] 明确拒绝“渲染 → VLM 批评 → 编辑代码”的循环，转而采用固定阶段序列加确定性协议验证器（连通性、几何、可见性、道路、地形及类似规则），在 Blender 5.1 环境中将 4DBuildBench 的多阶段通过率从 VIGA 的 0.67 提升到 0.87；AutoUE [51] 直接使用编译器和 PIE 运行时游玩测试作为关卡。AutoUE 的消融实验尤其值得记录：移除代码模板和引擎约束后，编译成功塌缩为零（MCS = 0），这表明当今工程任务上相当一部分高编译率是脚手架的成绩，而非模型的工程理解。

图 7　AutoUE 的多智能体框架 [51]（转载自原图 2）。从上到下依次为：模型检索智能体（858K 模型嵌入库加 top-k 重排序）、场景生成智能体（PCG 图规划、基于 RAG 的节点规格说明和 MCP 调用进入引擎）、玩法代码智能体（设计意图、依赖模块、代码模板和引擎约束被拓扑排序为 UE C++ 模块）、交互对象智能体和自动化游玩测试智能体。

表 4　整游戏与项目级生成系统。纳入规则：输出为可运行项目或多文件项目，并报告可核查结果；单位和设置不同，因此跨行比较仅在同一验证器层级内进行，V0 和 V6 行不可直接比较。

4.2 引擎内工作流与中间表示

如果说上一节的战场是“生成一个项目”，那么这里的战场就是“在别人的引擎里工作”。区别在于动作不可逆：一次无意义的编译或一个错误的资产引用都会消耗可感知的时间。因此，这一分支的共同做法是把不可逆操作放到中间表示之后，并让智能体读取项目。

MAGIC [92] 将多场景关卡编写为转移感知自动机，通过模板化脚本落地，并以连通性作为验收标准，将 Unity 中可执行项目从基线 0% 提升到 100%。Unity Insight [77] 解决的是问题的另一面：智能体无法在现有项目中找到代码与资产之间的对应关系，因此它将生产项目索引为融合的代码—资产图，并报告检索任务中 token 减少 53.4%、墙钟时间减少 51.6%。Real-Time World Crafting [187] 在 LLM 输出到达引擎之前，将其约束到定制的 JSON DSL，以“可执行”换取“可解析”。GAMEGO [123] 则反向利用引擎内开发轨迹作为训练数据：它在锚定真实资产的合成轨迹上训练游戏开发智能体，这一路线在第六章作为可验证轨迹数据引擎再次出现。

综合来看，这些工作说明了一件事：引擎内任务的主要困难不是生成，而是约束的可见性。 AutoUE 的消融实验（无模板、无编译）[51]与 Unity Insight 的增益指向同一结论（我的推断：两者都压缩了搜索空间的成本，但它们度量的是不同的东西，不能相加）。

4.3 从设计文档到可运行原型

从 GDD 或规格说明出发得到一个可运行项目，是本章中最接近生产流程的一段，也是最能清楚暴露差距的一段。Automated Unity Game Template [162] 在成对的（GDD, Unity C#）数据上微调 LLaMA-3-8B，在 3 种游戏类型、4 个维度上平均得分 4.8/5.0，但最强的通用基线（LLaMA 4 Maverick）达到 4.7——差距为 0.1——而且分数由三名开发者手工给出，编译成功与否也由人工判定，这使其结论强度停留在 V0。

Spec2Game [148] 是真正把“它能编译”与“它实现了规格说明”区分开的工作：它刻意禁用执行反馈，使用检查点级别的规格说明-实现评分和 9 个受控规则变体来抑制记忆化，并在 150 个任务上得到 Core-15 总分 39.11–77.27（Claude Sonnet 5 最高）。其中三个数字在这里最重要：在 630 个候选中，387 个通过全部 6 项确定性检查（V4/V5），而在这些之中，仍有 87 个在文本评判下得分低于 60；“游戏元素建模”的均值（80.8）远高于“规则与机制”（45.6）和“目标与终止”（44.0）。换言之，模型擅长构建画面，却不擅长把规则做对。

图 8　Spec2Game 的协议 [148]（转载自原图 1）。左上：15 个游戏家族 × 10 个变体给出 150 份规格说明。右上：生成与执行证据（日志、状态轨迹、截图）。底部：四个评估维度 D1 确定性可执行性 / D2 功能正确性 / D3 代码质量 / D4 视觉与交互体验，其中 D1 对连续阶段评分，D4 对三个子分数进行归一化。

若干互补方法处于同一条线上：将树搜索与语言模型结合以生成可解的小游戏 [25]；将专业引擎上的项目级代码框架转化为数据集与基准（JAMER [58]）；直接评估“从设计规格说明到游戏”的保真度（A2Z GameSpec-Bench [50]）；以及使用视听记录作为证据的多智能体生成与评估 [79]。它们的共同点是，它们都回答“产物距离规格说明有多远？”，同时选择了不同的规格说明粒度——这正是 10.1 节将这组证据并列放置的原因。

要点

• 工程制品是六个分支中唯一具有客观通过率的分支：环境是可执行的，判据可以写成断言 [43][69]。
• 高编译率部分要归功于脚手架：移除代码模板和引擎约束后，AutoUE 完全无法编译 [51]。
• “能编译”与“实现了规格说明”之间存在分歧：在 Spec2Game 中，630 个候选里有 387 个通过了所有确定性检查，但其中仍有 87 个在规格实现上得分低于 60 [148]。
• 对照玩家（一个进行试玩的 GUI 智能体）进行验证已成为主流做法，代价是评分器本身也是一个模型；其宽松程度在 [113] 中得到了量化。

5 内容生产：横跨六个子领域的共同模式与共同缺口

图 9　第 5 章子树。六个叶子节点的差异在于它们插入何种中间表示，但没有任何一个具备针对“可交付游戏成品”的验收标准。

一条技术线索贯穿全部六个叶子节点，值得首先说明：内容生产系统几乎都是通过插入中间表示来换取可控性——关卡用布局文件和场景拓扑，资产用构建程序，UI 用 SPEC，过场动画用模块时间线，音频用说话人画像，叙事用知识树。中间表示将“外观”与“结构”分离，使结构可以被检查、编辑和复用。这一说法是作者们在自己的论文中所主张的；逐项比较之后，我补充一个推断：六个叶子节点选择中间表示是出于不同的理由（关卡想要可控布局，资产想要物理可用性，UI 想要可复用性，音频想要可检查性，叙事想要防止泄露），因此对“正确”的定义也各不相同——这正是跨叶子节点的方法迁移至今仍然罕见的原因（我的推断；5.7 节对此展开）。

5.1 关卡与世界：从“渲染上看起来合理”到“结构上可通行”

早期的世界生成将整个场景生成为一张图像，问题随即出现：看起来合理，但你走不过去。2026 年以来的主流做法将任务拆分为语义 → 布局 → 资产，并在各阶段之间设置一道关卡。

World Craft [16] 是这一分工的代表性实现：World Guild 负责语义丰富、布局生成与精修以及资产合成，而 World Scaffold 将布局落地为一个 Godot 项目（地面层烘焙导航图，墙体层按朝向自动放置，物体层区分 2D 与 3D，NPC 层处理运动与对话），资产侧则附带一个 5,500+ 的资产库。在 16 类任务上，它报告视觉保真度为 0.5279（基线 0.4193），终态为 61.6%（53.3%），其中“结构多样性”是模型评判偏好的主要来源；作者自己也指出其混搭能力有限且依赖外部资产库。WorldCraft [134] 采用分层生成——先布局，后细节——并以八视图渲染评判闭环，报告语义对齐提升 17%，完成率从 70% 升至 90%（混合 V2/V3 验证）。IVIE [108] 将重点放在可解性上：模式、12 类初始条件、9 类目标条件以及 45 种可解性实现（阻塞通道、谜题、钥匙锁等）约束文本世界，并在 30 款游戏上验证，同时发布了一个负面结果——当前 LLM 在“自适应”重写方面表现不佳 [107]。更靠近 3D 资产一侧，LatticeWorld [14] 使用 3D 高斯泼溅作为渲染载体，并通过“数据对齐”训练策略模型，使用 $0.0699 \pm 0.0002$ 的有界策略损失来对齐渲染与物理，代价是视觉质量上大约 15% 的可见损失（V5/V2）。

同一路线还包含针对特定子任务的工作：面向体素世界的 WorldClaw [76]、将视图一致性作为首要目标的 Persistent Worlds [185]、强调可复现评估的流式生成 [200]、具有双智能体结构的零样本 3D 地图生成 [21]、从叙事生成 2D 场景 [181]、直接生成 Minecraft 关卡 [182] 以及面向可编辑 3D 世界的生成 [192]。它们的共同贡献在于将“一个世界”从视频片段转变为可反复进入的对象；共同未解决的问题见第 5.7 节。

图 10　World Craft 中的 World Guild 与 World Scaffold [16]（转载自原图 2）。左半部分涵盖语义丰富、布局生成与精修（Manager 与 Critic 迭代数轮以生成布局文件）以及资产合成；右半部分涵盖地面、墙体、物体和 NPC 层及其工具，最终落到 Godot。

图 11　IVIE 的生成流程 [108]（转载自原图 1）。Adventure Core → World Structure → World Materialization → Challenges，每个阶段后都有验证门；玩家游玩轨迹回流到数据库，并为下一轮生成或延续提供信息。

5.2 资产：从“生成一个网格”到“生成一个可用的构建程序”

资产分支的转折点在于接受了一个不那么光鲜但有效的答案：与其让模型输出一个网格，不如让它输出一个构建脚本，将几何交给参数化工具，将物理交给模拟器。

Nova3D [206] 是该路线中最彻底的版本：模型生成 Blender 构建程序，执行引擎将其转化为可编辑资产。作者报告称，全部 54 个资产都生成了可执行程序，Blender 运行时间约为 7–11 秒，且尺寸受控（最大 38,000 个面），59 个关节中有 58 个在几何上有效（关节几何有效率 98.3%），AABB 一致性为 8/8，尺寸误差为 1.6%，质量误差为 9.6%，并且一个游戏案例研究表明建模成本大幅下降（V4/V5 加人工抽查）。Artisan [6] 解决了可用性的另一半：即“看起来正确，并在运动时发生相交”的关节化资产。它将物理报告引入循环，并用两项硬性指标取代渲染批评——运动中的碰撞和重力下的稳定性——将失败率从 67%–74% 降至 1.7%–13.0%；几何编辑使用 OpenSCAD，物理使用 MuJoCo，使其成为 V4/V5 验证。Articraft [40] 将结构显式化为程序化资产树，并报告中位偏好从 78.6%/78.3% 上升到 93.2%/90.4%（V0，非专家加专家）；LL3M [35] 聚焦于生成始终留待修复的自动绑定；ShapeCraft [11] 通过基元层级组织几何。同一方向还产生了用于游戏内容创作的多模态多视图数据集 [142] 以及面向可控性的环境设计提示方法 [174]；更一般的文本到 3D 生成不在本综述范围内，仅作为技术前提出现（纳入规则见附录 A）。

图 12　Artisan [6] 的四阶段流水线（转载自原图 2）。设计代理生成蓝图和设计板（正交视图、爆炸装配、运动学、剖视图），编码代理将模型作为程序进行编辑并渲染以供检查，物理验证返回“运动中的碰撞”和“重力下的稳定性”报告，审查代理根据评分标准打分并列出问题。

该分支中的证据明显强于其他内容叶子：这些标准落在几何和物理量上，而不是外观上。这也是为什么“生成构建程序并通过物理仿真验证”目前是最可迁移的模板——它将内容生产问题转化为可执行问题（我的推断；论文本身只报告了其自身设定内的改进）。

5.3 UI：将设计意图固化为可编辑规范

UI 分支的困难在于，UI 同时受功能和风格约束，而风格难以被断言。SpecifyUI [125] 的答案是先将界面写为 SPEC（区域级规范加设计规范：颜色、形状、布局、目标），然后使用检索增强生成从 SPEC–UI 代码数据库中复用最近邻，最后通过编译与调试代理落地；作者报告其微调模型的总体得分为 12.43，而 GPT-5 为 9.87，并在参考图像复用设置中明显领先。SPRITE [177] 处理更小的单元——图标和精灵——而 GameUIAgent [36] 将工作拆分到多个代理，以覆盖从设计到自动原型制作的流程。UI 分支有 3 篇论文，是本章中最薄的叶子之一，且这三篇都没有报告“艺术风格是否可交付”的标准（这一空白见 5.7 节）。

图13　SpecifyUI 的流程 [125]（复自原图1）。左上从提示词和参考页面中提取区域级 SPEC 与设计规范；左下是 SPEC 编辑循环；右侧的 UI 生成器通过嵌入检索复用邻近代码，并在调试智能体修复后编译输出。

5.4 过场动画与音频：在讨论生成质量之前先构建可检查的中间对象

过场动画这一分支的共同做法，是先把镜头和事件写成一个可检查的时间线，再交给生成模型。MapStory [15] 将用户命令分解为模块序列（镜头、高亮、动画元素），然后让研究员智能体检索地理数据和模块动作以生成时间线；作者报告，在由八位地图动画专家进行的评估中，人工工作量大幅减少（V0）。Cutscene Agent [71] 将工作拆成两部分：可执行的镜头序列和基于 BEARD 的时间线模型，曲线样本与真值时间线的偏差为 28.6%（基线为 53.35%），每次生成约需 6 分钟（V5 加人工审阅）；更接近动画序列的工作则将长动画分解为自适应多智能体规划 [137]。前两篇论文均承认，未与商业工具进行端到端比较。过场动画分支共有 5 篇论文，没有一篇报告过某个过场动画是否达到可发布质量的标准。

图14　MapStory 的流程 [15]（复自原图1）。左侧的场景分解智能体负责查询推理、模块选择与计时；中间的地图动画研究员检索地理数据并选择参数；右侧生成时间线序列，用户也可直接操作该序列。

音频分支的分化比过场动画更为明显。一派做整轨生成：Audio-Oscar [32] 将 LLM 推理与生成模型结合，在信噪比等音质指标上达到 49.4%（基线为 23.2%）。另一派构建分工流水线：AuDirector [55] 将语音、音效与 BGM 以及混音分配给不同智能体，并在三个阶段都保留人工介入点；SoundscapeAgent [117] 则面向环境音。一个尤其说明问题的对比来自一项关于游戏程序化音乐的综述 [145]：它发现商业音乐系统几乎完全是基于规则的，文献中的生成式方法很少进入产品——这印证了本综述音频分支中证据薄弱的情况。音频分支共有 7 篇论文，没有一篇连接到游戏音频中间件（FMOD/Wwise 等），也没有一篇报告在真实项目中的集成——按本综述的解读，这是一个比分数不够高更实质的缺口。

图15　AuDirector 的三阶段结构 [55]（复自原图1）。阶段1是身份感知的前期制作（导演与选角智能体通过对声音库的语义检索确定音色）；阶段2是协同合成与修正（语音，以及音效与 BGM，并行运行，由评论智能体评估表现力或语义对齐，并在失败时回滚）；阶段3是人工引导的精修，给出针对各阶段的有目标编辑指令。

5.5 叙事与任务文本：阻止智能体说出它不该知道的内容

叙事分支最初关心的是文本好不好，到了2025–2026年则转向文本是否违反游戏的状态约束。SKT [98] 维护一棵结构化知识树，配有三个专门模型（检测、分析、对话），并把“谁知道什么”写成该树上的可达性，报告幻觉从17.80%降至6.27%（V5；评判者是同族模型，见第9章的宽大问题）。SNAP [62] 更进一步：借助故事知识图谱，“不知道”是一种结构性属性，而不是提示中措辞的问题，因此可以证明某个角色在给定时间点不可能说出某一事实（V3/V5）。Drama Llama [184] 针对戏剧张力曲线，报告两种设定下张力匹配度为16.4%和32.4%（V0，专家评审）；Dramamancer [39] 将故事弧合规率从28.9%提升至65.6%；Quest-Line [103] 针对任务线，报告92.3%的通过率（基线50%）；NarrativeSteward [18] 处理长篇叙事一致性。这一分支的判据正在从“读起来好不好”转向“在结构和状态上是否一致”，但这一转变并不完整：上述所有结构一致性结果都由同族模型或规则检查器判定，尚无人将其与玩家侧的可理解性联系起来。

图16　SKT [98] 的架构（转载自原图3）。左侧是处理同一玩家问题的检测、分析和对话模型；右侧是作者维护的结构化知识树，其中白色节点是当前允许披露的事实，灰色节点是受控事实（例如“他不知道Rachel的事”）。

5.6 六片叶子并排比较

表5　六片内容生产叶子并排比较。纳入规则：产物是游戏制作流水线中的内容项；“关键数字”按原报告呈现，且由于验证器层级不同，各行之间不可比较；单位和设定见相应章节。

5.7 共同缺口

并置来看，这六片叶子在各自缺口上的共识，多于它们在结果上的共识。第一，对于可交付的游戏成品，并不存在验收标准。 六篇都报告各自的代理指标（保真度、几何有效性、编译成功、时间线偏差、信噪比、幻觉率），却没有一个是“这份美术能否直接进构建”或“这段音频能否直接混入项目”这样的交付标准；Artisan 的物理报告最接近，但它只覆盖刚体动力学 [6]。第二，中间表示之间没有搭起桥梁。 关卡布局、资产生成程序、UI SPEC、过场时间线、音频分轨和叙事知识树各自定义自己的结构与验证，交叉引用——例如让布局文件直接约束资产的物理参数——在文献中很罕见，尽管真实制作每天都在这么做（我的推断，依据是没有一篇叶子引用了另一篇叶子的中间表示）。第三，四篇单薄的叶子（UI 3、过场 5、音频 7 和设计构思 7，其中前三篇属于本章）之所以单薄，不是因为问题更难，而更可能是因为缺少公平的评判标准——一旦某个标准可以写成断言，围绕它的工作会像围绕资产那样迅速聚集（我的推断）。

要点

• 六篇叶子都通过插入中间表示来换取可控性，但它们的动机和对“正确”的定义各不相同，因此方法很少能迁移。
• 资产分支的证据最硬，因为它以几何和物理换外观：Nova3D 的 58/59 关节、Artisan 的 1.7%–13.0% 碰撞率 [206][6]。
• 关卡分支从“渲染得合理”走向“结构上可通行”，以连通性、可行走性和可达终止状态来评判 [16][134][108]。
• UI、过场和音频完全没有面向交付的标准，而音频分支没有触及游戏音频中间件 [125][71][55]。
• 叙事分支已从“读起来是否通顺”走向“结构与状态是否一致”，但评判者仍是同族模型 [98][62]。

6 生成式世界模型：“世界”活在状态的哪一侧

图 17　第 6 章子树。三种立场分歧不在模型能力，而在世界状态活在哪里、由谁评判。

世界模型进入本综述不是因为渲染技术，而是因为它们改变了一类制作问题的形态：一个可以反复进入、其状态可以断言的世界，本身就是关卡、测试和内容的载体。本章按三种立场组织，它们对同一个问题给出互不相容的答案：世界状态应该活在像素里，还是像素之外？

6.1 像素即世界

本阵营把生成视频当作世界本身：模型逐帧生成，玩家的动作改变后续帧，世界状态从不被显式表示。GameFactory [210] 是2025年早期的代表：它用生成式交互视频制作“新游戏”，并报告每款游戏约208小时的工作量，在5名人类评估下，被压缩到约25.4小时（V0）。这类工作的价值主张是“无资产、无引擎”；代价是什么都无法断言——没有状态表示，就不存在“HP归零”可供检查，只有在连续20帧内角色是否发生变化（[207] 正是把这一差异变成了一项评估，报告角色在连续20帧内的变化率为77.1%，而Pass@1与竞技排名之间的相关性仅为$\rho = 0.23$）。IGV线的工作提供的是路线图而非结果 [204]：它按成熟度对生成式游戏引擎分级，并明确表示当前阶段是“可在演示中游玩，无法长时间运行”。

6.2 解耦状态与渲染

解耦阵营将世界状态写入显式表示（代码、对象列表、点云），让渲染模型只负责画面。Programmable World Model [66] 是这一路线当前最清晰的实现：世界程序用代码表达规则（命中扣血、血量归零则角色倒下、胜负条件），执行时使用AABB碰撞检测来检查“我的预测是否正确”，渲染侧则用记忆增强注意力的DiT逐块生成，其记忆分为当前块、短期历史和长期历史。作者报告世界状态准确率为98.00，而基线为8.00、视频世界模型在同一任务上为58.00，并明确承认该指标只衡量粗粒度属性，不衡量渲染真实感（V5）。Magpie [201] 以更工程化的方式做了同样的划分：玩法执行与像素生成完全分离，渲染器使用少步视频生成模型，并报告端到端延迟约1.55秒、显存约34 GB，作者自己表示这仍达不到交互式游戏的要求（V2/V5混合）。

这两篇论文的意义不在于其分数，而在于它们把“世界模型”从外观问题变成了一个可判定的工程问题：一旦状态有了表示，第7章的断言、第4章的编译门和第9章的通过率就都可以挂接上去（我的推断；两篇论文都未讨论与测试框架的接口）。同一路线还包括一个通过代码生成来评估体素世界建模的基准 [197]。

图18　Programmable World Model [66] 的流程（转载自原图1）。左侧，世界程序用代码表达规则、状态模式和属性，并固定validate action → apply rule → resolve events的执行顺序；中间将动作编译为identity/direction/semantic control和相机轨迹；右侧由记忆增强的DiT分块渲染，记忆区分当前token、时间历史和空间记忆。

图 19　Magpie [201] 的流水线（转载自原图 4）。顶部：来自玩家输入的动作波形，以及来自引擎侧的白盒控制信号。中部：Render Server 使用少步视频生成模型（分块自回归、三步金字塔蒸馏、轻量级 VAE、FP8 量化），并带有保存锚块、检索历史和短期记忆的记忆机制。底部：输出帧块序列。

6.3 多行动者世界

第三个阵营将世界视为多个行动者交互的产物：世界不是生成的场景，而是 NPC 与玩家共同改变的状态。Multi-Actor [87] 瞄准共享多角色世界中的一致性与角色塑造；Agentic Game Development [57] 将游戏生产本身分解为多行动者协作过程。这一分支与第 4 章和第 5 章的边界最为模糊，本综述划定边界的方式是追问交付物究竟是世界状态本身，还是世界内部的一个内容项：前者属于本章，后者属于第 5 章。多行动者世界的证据目前最为薄弱：两篇论文都没有提供他人可复现的验证器，且均被评为 B/C。

6.4 三种立场并列，以及边界

表 6　三种世界模型立场。纳入规则：交付物是一个“世界”，且面向游戏；各行处于不同的验证器层级，因此关键数字在不同行之间不可比较。

本章需要说明的边界是，我们不评估生成视频的视觉质量（这是渲染与视觉生成问题），而只评估一个世界能否被判定。按照这一解读，解耦阵营目前提供了唯一与其他章节相连接（V5 断言）的证据形式，像素阵营提供了一种生产力叙事（V0），而多行动者阵营提供了一个方向，但尚无可比证据。

要点

• 三种立场分歧在于世界状态存放于何处，而非模型能力：像素派不设表示，解耦派显式表示，多智能体派共享表示。
• 解耦派提供了唯一能与其他章节衔接的验证器形式：状态准确率 98.00 对 8.00/58.00，但仅测量粗粒度属性 [66]。
• 像素派唯一可量化的代理指标较弱，例如连续帧间的变化率，其与竞技排名的相关性仅为 $\rho = 0.23$ [207]。
• Magpie 的 1.55 s 延迟与 34 GB 显存表明，解耦路线的瓶颈已从“能否生成”转向“能否实时运行” [201]。

7 测试与质量保证：从“能否运行”到“是否应按此方式工作”

图 20　第 7 章子树。判据强度沿三条线递减：缺陷检测有可写下的期望，探索依赖覆盖代理指标，平衡则只有人在回路中的判断。

测试是本领域最具工程色彩的一章：其产出不是内容，而是关于内容的判断。因此，这里也是验证器问题暴露得最彻底的地方——同一批缺陷，在评判方法改变时，检出率可相差数倍。

7.1 缺陷与回归：注入式证据的边界

该分支的设定是：给定一个“有问题的”游戏，智能体能否定位并修复它？MORTAR [8] 以真实游戏缺陷报告驱动其修复过程，并报告修复质量有显著提升；KLPEG [9] 将缺陷注入作为可复现的测试床，在 96% 编译成功率之上比较不同模型的缺陷检测能力；VideoGameQA-Bench [112] 针对帧级质量问题（视觉异常、渲染缺陷），其中最佳系统总体达到约 49.1%——这是本章被引用最多的数字，也最能显示当前技术水平距可用还有多远。TempGlitch [189] 专门针对时序渲染缺陷，报告检出率约为 21%。

针对商业游戏像素层的工作 [90] 与在引擎内部验证的工作 [116] 覆盖了“外部黑盒”与“内部白盒”两个极端；面向自动化游戏测试的代码感知智能体 [20]、利用运行时状态注入进行关键点验证的工作 [23] 以及从真实缺陷报告复现崩溃的研究 [59] 补全了工具链一侧；同一路线可扩展的工具化版本 [89] 与将 QA 能力本身变为基准的 GBQA [132] 使可复用性进入视野；面向视觉缺陷的基于参考的基准 [144] 则直接将“与参考帧不一致”定义为缺陷。

这些数字共享一条值得明确记录的阐释边界：上述缺陷实验大多是注入式的（缺陷由人工插入健康游戏，智能体必须再次找出它们），而不是真实项目中自然产生的缺陷；少数例外使用了真实缺陷报告或真实崩溃（例如[59]），但规模很小，也没有与其他系统进行比较。注入的缺陷通常带有可识别的模式，其分布与真实缺陷不同，因此这些检出率应被理解为受控条件下的相对比较，而不是生产环境中会表现出的能力（我的推断；论文并未声称其检出率可外推到自然缺陷，但也没有为此设置对照）。

7.2 探索与覆盖：用行为智能体追问“它玩得够不够”

自动化测试的核心困难是覆盖：谁来决定应当尝试哪些动作？TITAN [122]将探索框定为奖励设计问题，并给出了收集操作轨迹的方法；SMART [28]通过自动探索加演示来提升覆盖；Lap [110]关注探索行为的视觉保真度与一致性；VRScout [115]由视觉意图驱动导航，并报告在复杂场景中优于纯视觉基线。ExploreAI [44]是这一分支中证据最接近工程部署的论文：它将探索拆分为四种动作类型（长程导航、接近、多视角采集、自验证），并在成本上与穷举基线直接比较——约0.010每动作对约0.293，相差约29倍（V5验证加成本核算）——同时报告了视角覆盖的提升。

图21　ExploreAI [44]的工作循环（转载自原图2）。1a使用YOLO进行视觉感知并收集物体证据；1b由LLM设定任务计划；2a/2b执行长程与近距离导航；3采集多视角；4将证据整合为可检查的物体记录（包括遮挡与失败案例）；5进行自验证，以决定继续当前任务还是开始新任务。

7.3 平衡与规则：准则最难写成断言的一段

游戏平衡与规则一致性传统上属于人工调参的领域，而本综述只发现少数智能体工作进入了这一领域。RuleSmith [91]使用LLM在规则层面生成并检查，将“可玩性”分解为可检查的规则属性；MIMIC [56]面向人机协同平衡调试，并报告每动作约12.4秒的交互延迟——这个数字表明，智能体在真实调参环境中的价值首先取决于它能否跟上人的节奏，而不是其判断的绝对质量。这里的准则仍未离开V0/V1：没有人给出可执行的平衡定义，也没有基准在同一基础上比较各系统。

7.4 与评估章节的衔接

本章与第 9 章共用同一批验证器，只是用法不同：评估用验证器给生成的游戏打分，测试用验证器定位游戏内部的缺陷。两者合起来给出本综述最实际的结论——验证器的选择几乎会改变所有可报告的结论（10.1 节给出跨系统比较）。具体到测试一侧：同一个模型在“能否编译”上给出乐观的 96% 量级数字 [9]，却在“规格是否实现”上出现裂痕——630 个候选中 387 个通过所有确定性检查，其中 87 个在规格项上得分低于 60 [148]，于是又退回到“竞争性表现”，即 $\rho = 0.23$ 与 Pass@1 之间的一致性 [207]。

要点

• 测试分支中的评判强度分三层：缺陷定位有可写出的期望，探索依赖覆盖率，平衡仍靠人类判断。
• 缺陷实验中的几乎每一个结论都来自注入缺陷，应被理解为受控条件下的相对比较，而不能外推到自然缺陷的检测。
• 成本已进入评判层：ExploreAI 的单动作成本约为穷举基线的 1/29 [44]，MIMIC 的动作延迟约为 12.4 s [56]。
• 帧级质量检测仍是薄弱环节：渲染与视觉缺陷的最佳基准结果约为 49.1% [112]，时序缺陷检测则处于 21% 量级 [189]。

8 设计探索与人–AI 协作：发散赢得认可，收敛为之付出代价

图 22　第 8 章子树。本章几乎每一条准则都来自人类报告：衡量的是创造力、控制感、接受度与信任，而不是通过率。

前面几章问的是智能体能否产出可接受的制品；本章问的是智能体与人应如何分工。其特殊性在于证据属于另一种类型：别处的数字来自验证器，这里的数字来自人类量表、访谈和真实平台数据。这使结论更容易被过度泛化，因此以下每一项都标明参与者人数与任务类型。

8.1 设计与机制构思

这一分支始于一个朴素假设：模型可以快速提供大量想法。AIdeation [194] 在工作室环境中评估一个构思支持工具，报告想法数量与多样性显著增加，而质量维度未能达到显著性；CreepyCoCreator [178] 面向恐怖游戏进行反向共同创作，EchoLadder [30] 处理从想法到可玩机制的阶梯式细化——这三者构成证据中的“发散”一侧。SPINE [152] 与 AutoBG [1] 代表“收敛”一侧：SPINE 将设计支柱与游戏概念写成结构化对象，并让模型对照支柱评估覆盖度并给出反馈；AutoBG 面向背景与设定生成。面向教学的共同创作 [41] 将同一过程放入课堂，观察学生如何使用智能体完成设计工作。

图23　SPINE 的界面 [152]（取自原图）。左侧是带有“LLM Feedback → Generate”按钮的支柱卡片，以及核心概念和额外特征的输入框；下方是 LLM 生成的覆盖反馈，逐项说明每个支柱是否契合游戏概念，并对额外特征打分。该图还显示了一个结构性问题：评估者与被评估的概念来自同一个模型。

8.2 协作的形态：为什么发散赢得认可，而收敛为此付出代价

把这些研究放在一起看，这一分支的研究在一个形态上是一致的：智能体在发散阶段有明显帮助，在收敛阶段则制造摩擦。 发散阶段的证据是更多想法、更多样性和更快速度 [194][30]；收敛一侧的困难则分为三类。

第一是控制感与归属感。在真实工作室和共同创作实验中，即使产物质量不错，参与者仍一致报告对最终设计的控制感薄弱；这往往是量表上得分最低的一项 [194][178]。第二是收敛判断缺乏依据：模型可以生成候选方案，却难以解释“为什么不是另外三个”，而这恰恰是设计决策的价值所在 [152]。第三是人的评估成本被转移而非被消除：MIMIC 的 12.4 秒动作延迟 [56] 表明，在需要频繁交互的调参类场景中，人的等待时间本身就是一项新成本。

8.3 玩家一侧与组织一侧：披露是一个可测量的负面信号

本章最有分量的证据并非来自实验室，而是来自真实平台数据。一项针对 Steam 上数千款游戏的实证研究 [208] 发现，带有 PCG 标签的游戏推荐率约为 86.3%，而披露使用生成式 AI 的游戏约为 68.4%，并且在一系列控制条件下，披露是最强的负面预测因素（OR 约为 0.63）。作者相当完整地报告了方法和样本，这使该结果比大多数问卷研究更值得关注；其边界同样清晰：这是关联而非因果，也无法区分“披露本身招致反感”与“披露者的产品实际上更差”（论文的讨论也承认这一点）。

组织与流程侧的研究较少，但具有方向性：一项访谈研究刻画了智能体进入游戏开发团队后的协作模式[57]；面向质量需求的工作用Kano模型将“玩家所期待的质量”结构化为可排序的需求[199]；一篇论文在“民主化力量”这一标题下直接讨论了门槛降低的收益与代价[161]；一项系统综述主张，一旦LLM进入开发流程，其对玩法、可玩性和玩家体验的影响需要单独评估[166]；一项关于资产生成工具的用户研究基于16位从业者提出了启发式检查清单[191]；另一项工作则主张，当生成产物进入长期维护时，它们会以技术债的形式将成本转移给未来的团队（其正文不可获取，因此本综述仅依据其摘要引用，不将其用作数字来源）[163]。应当指出，本章中基于问卷的研究在方法上总体较弱，且一项已有审计发现，玩家体验研究普遍缺乏报告标准[27]；在将本章结论用于产品决策之前，应回到原始量表的构成与样本量。

8.4 比较与边界

表7　设计与人类-AI协作研究。纳入规则：以人或团队为对象的实证或定性研究；其评判方法为量表、访谈或平台数据，且与第4–7章的验证器不可比。

要点

• 智能体在发散阶段帮助明显（想法更多、更多样、更快），并在收敛阶段造成摩擦（控制、选择依据）[194][152]。
• 在基于支柱的结构化评估中，评估者与被评估概念往往来自同一模型，形成自我确认循环[152]。
• 玩家侧存在可测量的负面信号：生成式AI披露与更低的推荐率相关（68.4%对86.3%，OR ≈ 0.63），但这是关联，不是因果[208]。
• 本章基于问卷的研究在方法上总体较弱；引用前应回到量表与样本[27]。

9 基准与评估：验证器是该领域最具决定性的变量

图 24　第 9 章子树。三条线的区别不在于其任务，而在于由谁评判：断言、模型评判者、竞赛与人类。

9.1 可执行验证：将断言移入引擎

这里的共同举措是将评估从“看图打分”转变为“在引擎中运行断言”。GameLogicBench [43] 通过 tick 级状态断言检查逻辑，并提供了本调查中最具启发性的两个消融实验：移除多场景设置会使平均解决率提高 58.1%，移除 tick 级断言会提高 8.9%——换言之，“测试多少场景”和“断言具有何种粒度”本身就是决定分数的选择。CraftBench-UE [34] 在 Unreal 中构建真实项目任务，并报告：在按时提交且通过资产检查的产物中，42.2% / 50.0% 仍在运行时失败；OpenGameEval [69] 将评判移入 Roblox 的编辑器状态和运行时，并报告排名前五的模型仅相差 1.1 个百分点，而它们的解集几乎没有重叠（并集 58 / 交集 27）。GameDevBench [136] 将 Godot 单元测试纳入评估；Code4Scene [26] 按场景程序检查几何与空间关系；GameASG-Bench [124] 分别报告“可运行”与“行为正确”（93.2% 对 55.3%）；GameEngineBench [29] 在 Unreal 上报告有 31 个任务无人解决、0 个任务所有人都解决——这种分布信息比平均分更能说明当前水平。此外还有针对“专家级开发差距”的评估（GameXpert-Bench [38]）、以黑盒视觉复现为任务的 GameReplica [83]，以及视觉游戏生成基准 V-GameGym [99]，它们将评判对象扩展到“看起来像不像”和“能否复现”。

图 25　GameCraft-Bench [113] 的评估流水线（转载自原图 1）。1 任务打包（规格、环境、隐藏评分标准）；2 智能体生成项目和通关轨迹；3 构建关卡（项目解析、场景加载、脚本编译、无头启动、演示解析）；4 回放取证（录制演示视频并以 2 FPS 采样帧）；5 由多模态模型对隐藏评分标准评分，并通过均值/最大值聚合为四个维度 M/D/V/A。

9.2 模型评判者：宽松、三值且不可复现

当判断无法写成断言时，工作就转向了模型裁判，而这一分支中的证据几乎全是负面的。GameCraft-Bench [113] 将模型裁判与人工评分直接比较，报告模型裁判比人宽松约 3.32 个百分点；WebGameBench [75] 报告，在可玩／不可玩／不确定的三元判断上，模型与人类完全一致的比例仅为 50.0%——也就是说，有一半的判断落在“不确定”一侧；SWE-Game [46] 报告，同一批产物在模型裁判下通过率为 92.59%，在可执行检查下为 78.41%，差距约 14 个百分点；ProxyWar [207] 提供了相关性证据：竞技排名与 Pass@1 的相关性仅为 $\rho = 0.23$，而连续 20 帧内可见发生变化的角色比例为 77.1%——这个数字看起来很高，却与模型有多强几乎无关。

Mage [114] 提供了本章最鲜明的对照：在同一批产物上，无中间表示条件达到了最高的运行时通过率 43%，而其机制标签 F1 恰好为 0.000。这说明的不是“模型不会做机制”，而是运行时通过率与机制正确性是在用不同的尺子衡量同一件事。RPGBench [196] 走了另一条路：它将 RPG 任务拆分为实体、机制和难度三个可分别检查的层次，试图也为“机制”提供一个可断言的立足点。

图 26　RPGBench 的评估设置 [196]（转载自原图 1）。左侧为以角色百科页面和轨迹为输入的构建与模拟流程；右侧为所生成游戏的结构化字段：游戏世界、目标、场景、玩家角色、主要 NPC 的五个人格维度与事实、带初始值和边界的状​​态变量、带效果的事件前置条件与成功条件，以及终止条件。正是这一结构使实体、机制和难度可以分别检查。

9.3 验证器构成了结论之间的差异

将本章与第 7 章的证据放在一起，可以得出本综述最实际的结论：验证器的选择所导致的结论差异，总体上大于模型之间的差异。这一点体现在三个地方：在同一批产物上，随着验证器变化，通过率从 92.59% 降至 78.41% [46]；在同一个基准上，顶尖模型的分数相差 1.1 个百分点，而它们的解集几乎不重叠 [69]；在同一批任务上，“通过”与“正确”可以完全脱钩（43% 对 0.000）[114]。因此本综述坚持为每一个报告的数字标注其验证器层级（V0–V6），并建议读者在跨基准比较之前做两件事：检查环境表面是否可比，以及检查验证粒度是否匹配。

图 27　同一批产物上的验证器链条。编译或运行时通过率最高，规格断言更严格，而模型裁判和竞技评判给出的结论相互不一致（综合自 [46][69][114][148]）；该图为示意，而非定量图表。

9.4 基准资源并列比较

表 8　基准资源并列对比。纳入规则：报告可复现验证方法的游戏生产基准；关键数字仅在同一验证器层级内可比，跨行比较需先检查环境表面与验证粒度。

要点

• 验证粒度本身决定分数：若无多场景设置则虚高 58.1%，若无 tick 断言则虚高 8.9% [43]。
• 模型评判器比人宽松约 3.32 个百分点，且三值评判与人类一致的比率仅为 50.0% [113][75]。
• “通过”与“正确”脱钩：在一批产物上，43% 在运行时通过，而机制标签 F1 为 0.000 [114]。
• 排行榜不稳定：前五名相差 1.1 个百分点，解集几乎没有重叠，而竞赛排名与 Pass@1 的相关性仅为 $\rho = 0.23$ [69][207]。

10 基础问题与争议：四个未决问题

本章并列呈现四个争议。每个争议给出确切命题、双方证据及证据成立的条件、能够区分两种解释的实验，以及目前天平所在的位置。

10.1 可执行是否意味着符合规格？

命题：如果某产物通过了可执行检查，它就实现了任务描述中的行为。

支持证据：可执行检查确实排除了大量不可用产物。AutoUE 的编译门禁与 PIE 试玩将明显损坏的项目挡在门外 [51]；SimWorlds 以确定性协议验证取代像素评判后，多阶段通过率从 0.67 升至 0.87 [42]；GameASG-Bench 将“可运行”（93.2%）与“行为正确”（55.3%）分开报告后，前者成为一个阈值 [124]。

反对证据：可执行检查系统性高估规范实现程度。在 Spec2Game 中，630 个候选中有 387 个通过全部六项确定性检查，但其中 87 个在规范实现上仍低于 60 分，且“元素建模”（80.8）远高于“规则与机制建模”（45.6）和“目标与终止建模”（44.0）[148]；在 Mage 上，同一批产物的运行时通过率最高仅为 43%，而机制标签 F1 为 0.000 [114]；在 CraftBench-UE 中，通过资产检查的产物在运行时仍有 42.2% / 50.0% 失败 [34]。

有效性条件：反对证据完全来自产品或项目级任务，其验证器仅覆盖可断言的行为逻辑；支持证据来自“能启动并支持基本交互”这一更低门槛。两者并不矛盾；它们是处于不同高度的两个阈值。

可分离解释的实验：在同一批产物上，同时报告通过可执行检查的比例与通过规范断言的比例，以及二者的交集与差集。Spec2Game 已提供这一形态 [148]；尚无第二个基准复现该比较（一处空白）。

平衡所在：可执行不等于规范遵从——这一结论得到多个独立系统支持，且方向一致。据此，本综述将可执行性与规范遵从视为两项独立标准（第 2.2 节）。

10.2 模型评判者能取代人吗？

命题：在比较系统时，模型评判者（V1）的评分可以取代人工评审（V0）。

反对证据：模型评判者比人类宽松约 3.32 个百分点 [113]；在可玩／不可玩／不确定的三元判断上，与人类完全一致率仅为 50.0% [75]；竞技排名与 Pass@1 的相关性为 $\rho = 0.23$ [207]；在同一批产物上，模型评判者给出 92.59%，而可执行检查仅给出 78.41% [46]。若干工作也承认，评判者与被评模型同属一个家族会引入偏差（[113][107] 自陈的局限；以及“评估者与被评估想法来自同一模型”的结构出现在教学导向共创 [41] 与 SPINE [152] 中）。

支持证据：在同一环境、同一评分标准与同一模型家族内，模型评判者与人类排序在相对次序上大体一致（多数基准报告的排序与人工评审方向相同，但很少完整报告完全一致率数据）。这一侧弱于反对侧：它主要报告“方向相同”，而非可检验的一致性统计量。

有效性条件：模型评判者可用于粗筛与回归测试；一旦用于跨系统比较或决策阈值，宽松偏差与三元不确定性会直接传导至结论 [113][75]。

能够区分这些解释的实验：在同一批制品上，同时报告模型评审分数、人类分数和可执行通过率，并给出包含不确定类别的成对一致性。目前没有任何基准同时报告这三者。

平衡点在哪里：天平明显倾向于“不能替代”。当前可辩护的用法是把模型评审当作过滤器而非裁判（我的推断；文献并未明确陈述这一操作规则）。

图 28　GameLogicBench 的任务层级与评审设置 [43]（复制自原图 2；原图采用 CC BY 4.0 许可）。左侧为按集成范围划分的三个任务层级（Repo 用于系统级集成，Combo 用于机制交互，Atom 用于单一机制）；中间为任务在一个封闭的 Godot 项目中由智能体解决，图中注明网络被明确阻断；下方为人类编写的场景提供确定性评审（图中注明未使用语言模型）；右侧为同一设置下各配置的解决率，从最高的 52.78% 到最低的 16.67%。

图 29　同一批制品上的三把尺子（综合 [46][113][75][207]）：模型评审比人类宽松约 3.32 个百分点，可执行检查更严格，人类评审与竞争性评审的排序与两者均不完全一致；此图为示意，并非定量图表。

10.3 一致性应存在于模型中还是结构中？

命题：长时程一致性应由更强的生成模型内化，还是由外部结构（知识树、状态表示、布局文件）保证？

支持内化的证据：视频世界模型路线主张通过更大规模和更强条件作用直接提升一致性；Magpie [201] 报告在 1.55 秒延迟约束下保持块与块之间的一致性，代价是 34 GB 显存和专用渲染服务。 支持外化的证据：Programmable World Model [66] 将规则写成代码后，状态准确率达到 98.00（同一研究中的视频路线：8.00/58.00）；SKT [98] 用知识树将幻觉从 17.80% 降至 6.27%；SNAP [62] 使“不知道”成为结构上不可表达的状态；World Craft [16] 和 IVIE [108] 使用布局和模式来保证可遍历性与可解性。

有效性条件：外化路线的收益依赖于结构能够被写下来这一前提。凡结构无法被写下之处（美术风格、过场动画质感、音频氛围），外化目前尚无立足点——而这正是第 5 章的三片薄叶。

能够区分这些解释的实验：在固定渲染质量的情况下，比较“有结构约束”和“无结构约束”在长时程（数百个交互步骤）上的一致性衰减曲线；目前最长的报告仍是块记忆机制 [66]，且它只覆盖粗粒度属性。

平衡点在哪里：在结构能够被写下之处，外化路线的证据明显更强；在结构无法被写下之处，论证尚未开始。

10.4 自动化对人类创作者是增益还是替代？

命题：引入智能体总体上扩展了创作者的能力。

表9　自动化对人类创作者的收益与成本。纳入规则：报告可核查的投入、成本或规模结果的研究；两侧的测量窗口不同（短任务对长期维护与平台数据），不能相互抵消。

有效性条件：收益证据多来自短任务和实验室环境；成本证据多来自真实平台和长期维护。测量窗口不同，因此两侧不能相互抵消。

可分离解释的实验：在同一团队、同一项目内跨两个里程碑进行前后对比，记录产出速度、人类与模型决策之比、返工量和最终交付质量。本综述语料中没有此类研究。

平衡点所在：在任务级收益上证据充分；在组织净效应上证据不足，且已知的负面信号（披露相关性、控制感、技术债）不应被生产力数字掩盖。

10.5 验证器选择图

图30　验证器选择图。这是本综述从第4—9章证据中归纳出的操作建议（我的推断），并非任何单篇论文的主张；每个候选验证器都标注了其证据来源。

要点

• 可执行不等于符合规范：这是两个高度不同的阈值 [148][114][34]。
• 在当前的证据模型下，评委应是过滤器，而非裁判：3.32个百分点的宽松度，三元判断上50.0%的一致性 [113][75]。
• 一致性争议在能写出结构的地方已经解决（外化更强），在不能写出的地方尚未开始 [66][152]。
• 自动化的任务级收益有充分证据；组织净效应则没有，且存在三类负面信号：披露相关性、控制感与技术债 [208][163]。

11 资源：基准、数据集、系统与工具

本章将可复用资源集中一处，使读者不必逐篇检索。纳入规则是资源本身可获取（公开论文、可访问代码或平台），且本综述语料中至少有两项工作使用或与之比较；由于验证器和规模差异很大，下表并非“哪个更好”的排名。

表 10　资源清单。收录规则：本语料中至少有两项工作可获得并使用或对比的基准、系统和工具；“链接状态”依论文及其自身的开源声明而定，未逐项核实仓库可用性；验证器列不得用于跨行排序。

资源层面有三处空白尤为突出。第一，没有共享的跨环境测试台：每个基准都绑定于自己的引擎或平台（Godot、Unreal、Roblox、浏览器），没有任何任务集能同时在多个引擎上运行，这使得“环境难度”无法作为一个独立维度来衡量。第二，缺陷数据集不公开：第 7 章基于注入的缺陷实验大多使用内部缺陷集，现有基准也很少发布缺陷样本库，这使得检测率难以被第三方复核。第三，成本与延迟未被记录：只有少数工作报告了调用成本、动作延迟或显存占用 [44][56][201]，然而这三者决定了某项技术能否进入日常生产（我的推断，理由是“它能否跟上人类”在第 7 章和第 8 章中反复成为实际瓶颈）。

要点

• 该清单涵盖三类资源——评判基准、端到端系统与工程工具——均按“可获取且已被使用”的规则纳入。
• 目前不存在共享的跨环境测试平台，因此“环境难度”尚不能作为独立维度进行度量。
• 缺陷数据集通常不公开，因此第三方很难重新核查缺陷检测率。
• 只有少数工作报告了成本、延迟与显存占用，而这些恰恰决定了一项技术能否进入日常生产 [44][56][201]。

12 应用：方法在何处被改写

生产侧的方法并不会均匀扩散。它们首先落地于存在客观标准的领域（工程、资产、测试），随后沿着“可断言之物”的边界向外扩展：先是教育游戏与认知训练，然后是 XR 与沉浸式原型制作，最后是社区模组制作与桌面游戏。本章按此顺序记录各领域如何改写这些方法；除非另有说明，这些工作在本次调查中均在摘要层面（C 级）引用，即仅依据其自述的目标与产出，不转述其内部机制或未阅读的数值。

教育与认知训练是首个出现方法论迁移的领域，因为其对正确性的要求可以外化为学习目标。GamED.AI [106] 将教育游戏生成分解为分层多智能体角色；面向认知障碍患者的 LETGAMES [205] 通过游戏化任务组织认知训练；一项课堂研究使用语言映射界面支持教师与 AI 的共创 [41]；严肃游戏的过程化内容评估也与强化学习智能体相关联 [116]。该领域的共同改写在于：评判标准从“游戏是否好玩”转向“学习目标是否达成”，这要求增加一个领域断言层——这与第 10.1 节“可执行并不意味着符合规范”是同一问题的另一种形式。

XR 与沉浸式原型制作围绕交互迭代速度进行改写。XARP Tools [141] 提供一个由人与 AI 智能体共享的 XR 平台；结合 Gemini“氛围编程”流程的 XR Blocks [188] 将原型制作周期压缩到对话层面；SPHERE [130] 通过人在回路强化学习适配 VR 室内场景；PlayWrite [84] 允许通过在 XR 中游玩进行叙事共创；EchoLadder [30] 与 ImmerseGen [53] 分别处理 VR 场景与沉浸式世界；CoGen3D [72] 面向 VR 资产的人机协同设计；VRScout [115] 将测试引入该领域。其共同特征是：人体与空间成为验证器的一部分：在这些工作中，人的即时反馈取代了第 9 章的基准。

社区模组与玩家驱动创作是最接近生产民主化的分支。StarCharM [139] 借助生成式 AI 降低了《星露谷物语》的模组制作门槛；BLOCK [157] 为《我的世界》生成了角色皮肤流水线；MagicCraft [183] 为商业元宇宙平台生成可交互的 3D 物体；智能画笔工具 [203] 支持即时地图编辑；一项玩家驱动的编辑街机实验 [146] 和一个协作式开放世界设计平台 [180] 直接改写了作者与玩家之间的关系。这里的改写是作品接受主体的转移：工作室的验收标准消失了，玩家通过发布和留存来接受作品，而这正是 8.3 节的披露效应可以被测量的情境 [208]。

桌面游戏、卡牌游戏与互动叙事共享一个特征：规则即代码，因此结构性标准很容易获得。Cardiverse [126] 和 Boardwalk [193] 面向卡牌与桌游原型设计，AutoBG [1] 提供桌游设计助手，而带有相关性研究的集换式卡牌生成 [154] 以及桌面角色扮演游戏的怪物等级预测 [175] 属于同一谱系；《龙与地下城》的动态难度调整 [47] 将一个平衡问题形式化。在互动叙事方面，GenLARP [97] 和 Storycaster [7] 使用 AI 生成的世界和角色进行真人角色扮演，NPC 对话设计方法 [140][61] 和一个开放叙事框架 [176] 延续了 5.5 节的知识约束思路，WhatELSE [37] 与叙事可视化探索 [127] 则处理作者可控性问题。

工业资产与引擎流水线是应用最直接的一类。Hunyuan3D Studio [171] 和 Hunyuan-Game [202] 以“游戏就绪资产 / 工业创作模型”命名，Puppeteer [147] 自动化绑定和动画，EasyCraft [153] 组装角色化身，Spiritus [150]、Bunraku [155]、Sketchar [159] 和 SPRITETOMESH [168] 涵盖 2D 角色与插画的生成和再处理。它们的输出标准（面数、绑定质量、可直接导入性）与 5.2 节的资产分支相匹配，使这成为本综述中唯一与其他章节共享标准的应用领域。

表 11　应用领域并排对照。纳入规则：以某一具体应用领域为目标、且以智能体作为生产方式的工作；各领域的标准不同且不可比，本综述中列出的每项工作仅在摘要层面被引用。

要点

• 方法扩散的顺序由标准的可断言程度决定：工程、资产与测试居先，教育与 XR 次之，社区与桌面游戏再次之。
• 教育与认知训练领域将标准外化为学习目标，因此需要额外一层领域断言层 [106][205]。
• XR 领域以即时人类反馈取代基准测试，代价是结论难以复现（与第 8 章相同的原因）[141][188]。
• 工业资产管线是唯一与第 5 章共享标准的应用领域 [171][202]。

13 未来方向

以下五项源自前几章的证据缺口；每一项都给出暴露该缺口的证据、已朝该方向推进的工作，以及一项可减少不确定性的具体检验。它们不是预测。

1. 验证器需要作为一等公民被报告。 暴露这一点的证据是第 9 章的四项比较：一批工件从 92.59% 降至 78.41% [46]，高分之后解集几乎不重叠 [69]，43% 通过而机制 F1 为 0.000 [114]，以及一旦移除多场景设定便出现 58.1% 的虚高 [43]。朝这一方向推进的工作是 Spec2Game 的两层报告形式 [148]。可运行的检验：一个新基准应针对同一批工件，同时给出通过可执行检查的比例与通过规范断言的比例，并公布两者之间的差异。

2. 内容生产需要面向交付物的标准。 暴露这一点的是第 5 章中证据单薄的分布（UI 3、过场动画 5、音频 7），以及没有任何音频工作连接到游戏音频中间件这一事实。朝这一方向推进的工作是 Artisan 的物理报告 [6] 与 World Craft 的引擎落地 [16]。可运行的检验：为一个具体交付物（例如“可直接混入项目的音频包”）定义可检查的规范，并报告不同系统对该规范的合规率。

3. 自我确证的循环必须被打破。 暴露这一点的是：模型评判者比人宽松 3.32 个百分点 [113]，三元判断上 50.0% 的一致率 [75]，以及 SPINE 中评估者与被评估概念共享同一来源的结构 [152]。朝这一方向推进的做法是引入独立的模型家族或人类盲评，并显式建模“不确定”等级 [75]。可运行的检验：报告三方（模型评判者、人类、可执行验证）在同一样本上的两两一致率，并公布它们出现分歧的案例。

4. 长时程一致性与实时性能的联合约束。 暴露这一点的是解耦路线中的两个数字：状态准确率 98.00 [66] 与 1.55 s 延迟、34 GB 显存 [201]。指向这一方向的工作包括块记忆机制 [66] 与少步蒸馏渲染 [201]。可运行的测试：在渲染质量固定的条件下，报告数百个交互步骤上的一致性衰减曲线，并同时给出延迟与显存。

5. 自然缺陷与组织净效应。 暴露这一点的是两处空白：缺陷实验几乎全部基于注入（第7章），且没有研究给出团队层面的前后对比（第10.4节）。指向这一方向的工作是发布缺陷样本库的尝试 [9][189] 与关于理解债务的定性研究 [163]。可运行的测试：发布一组取自真实项目的自然缺陷，并让至少两个独立系统在同一批样本上报告检出率。

要点

• 五个开放问题都直接源自上文的证据缺口，且每个都配有可运行的测试。
• 最紧迫的是验证器的报告标准：它决定了另外四个问题背后的数字能否相互比较 [148][46]。
• 内容交付标准与音频中间件集成是最容易取得实质性进展的地方 [6][16]。
• 自然缺陷与组织净效应需要新的数据来源，任何单篇论文都很难在短期内解决 [163][208]。

14 结论

本综述考察了从2025年起智能体进入游戏制作的六条主要路线，并在同一基础上比较了它们的证据。可以稳妥地给出四点结论。

第一，这一领域的分野由任务面决定，而非由模型决定。工程与资产制品有客观标准，因此进展会累积：编译门禁 [51]、运行时断言 [43]、物理报告 [6] 与几何检查 [206] 已将“是否可用”变成一个可以复核的数字；而 UI、过场动画、音频与设计构思仍停留在代理指标上，因为对游戏可交付成果尚不存在标准。第二，验证器的选择对结论的改变大于模型之间的差距，这由四组独立证据支持（92.59% 对 78.41% [46]；前五名相差在 1.1pp 以内且解集几乎没有重叠 [69]；43% 对 0.000 [114]；630 个中有 387 个通过所有检查，而 87 个在规范上得分低于 60 [148]），这也是本综述将验证器级别（V0–V6）写入其所报告的每一个数字的上下文的原因。第三，当前对一致性问题的答案依赖外部结构：在结构可以被写下来的地方，将规则写成代码、将知识写成树、将布局写成文件，都会带来明显优于内部化的一致性 [66][98][16]；而在无法写下来的地方，论证尚未开始。第四，人的位置并未被自动化取代，而是被重新定价：在发散方面收益明确，而在收敛方面，控制感、选择依据与等待成本成为新的瓶颈 [194][152][56]，玩家侧的负面信号可测量，但尚无法归因 [208]。

从结构上看，本综述提出的框架（任务面 × 环境面 × 验证器，外加四项标准和 V0–V6）可以被后续工作复用：任何新的游戏生产智能体都可以一次性写成 $(T, E, A, V, K, D)$，然后按验证器层级进行比较。这是本综述希望留下的主要东西——不是一份论文清单，而是一套使数字可比的记账方案。

要点

• 六条线路上的进展速度由标准强度决定，而非由模型能力决定。
• 验证器的选择是该领域最大的混杂变量，必须通过 V0–V6 和四项标准 [46][69][114][148] 明确报告。
• 一致性方面可行的答案落在“结构可以被写出来”的一侧；在无法写出的地方，空间是空白的 [66][98]。
• 人的位置被重新定价：发散赢得认可，收敛制造摩擦，并且在玩家一侧存在一个可测量但未被归因的负向信号 [194][208]。

附录 A　范围与证据边界

A.1 时间窗口、来源与筛选

• 时间窗口：v1 提交日期不早于 2025-01-01（修订版本不用于确定日期），检索执行至 2026-10-13。
• 检索路径：13 条，按并集而非交叉过滤组合——6 条关键词过滤、3 条语义召回、3 条受来源和类别限制的路径（包括每日 arXiv 公告和指定类别），以及 1 条引文扩展。
• 筛选漏斗：13 条路径的并集中有 3,362 篇论文 → 第一轮将池子缩小到 354 篇供审阅 → 第二轮保留 137 篇并排除 217 篇 → 为纠正错误排除，对排除的论文逐篇重读并找回 64 篇，另有 23 篇经人工审阅找回，并填补 1 处缺口（三组并非互斥，共计 88 条记录）→ 去重后核心语料为 210 篇论文，比第二轮的 137 篇净增 73 篇。
• 纳入标准：围绕智能体组织游戏生产活动（生成、修改、验证、评估）的工作。据此排除三类：未被游戏生产流水线引用的独立生成模型、纯玩家侧体验研究，以及纯渲染技术。被排除案例中最大的一组是“单个 3D 或图像生成模型”，其作为技术前提的角色在正文中仅作为对照出现。
• 该标准的两个已知局限：第一，“以智能体为中心”取决于与相邻领域（通用软件工程、通用 3D 生成）边界处的判断，因此游戏作为次要场景的工作可能被遗漏；第二，语料以英文预印本为主，未公开的工业系统（例如商业引擎厂商的内部工具）无法进入。

A.2 阅读深度与引文层级

这210篇论文按证据强度分为三层：112篇阅读全文相关部分（其中95篇为A层，其数字被正文直接引用或逐节转述；17篇为B层，虽阅读全文但仅用于定性引用或并列对照），以及98篇仅读摘要（C层，仅依据标题和摘要引用，不转述未阅读的机制或数字）。另有1篇论文（[163]）按摘要层加阅读笔记处理，因为其正文无法获取，故其结论仅以定性形式出现在正文中。三层所有论文的逐篇记录均在构建台账中（阅读深度、引用层级和来源定位符）。

A.3 摘要层证据清单（98篇）

以下作品在本综述中仅依据标题和摘要引用，因此可作为进一步阅读材料，而非本综述结论的依据。它们按最相关的章节分组。

与第4章（代码与工程）相关：[78] Harness-of-Harness（多日自主开发）、[94] 知识引导的应用级代码生成、[129] Fly, Fail, Fix（基于强化学习和多模态模型的迭代修复）、[158] LLM辅助的无尽跑酷游戏重构、[186] PlayTrain（LLM生成JS游戏与强化学习）。

与第5章（内容生产）相关：[2] SceneLCM、[3] SimWorld Studio、[5] 生成式本体、[13] 作为多智能体强化学习的关卡设计、[27] AnimeAgent、[31] IPCGRL、[33] StoryBlender（故事板一致性）、[48] 程序化场景程序、[54] 叙事原型的语义信号、[61] 基于场景描述的智能体叙事写作、[64] BackgroundMellow（电影化音景）、[67] 虚构世界构建的多智能体协作、[74] PhiP-G（物理引导的文本到3D场景）、[80] Constella（角色关系共同创作）、[81] Plug-and-Play Dramaturge（迭代剧本精炼）、[82] 程序化内容元生成、[88] MajutsuCity、[93] 对反应式角色行为的程序化策略搜索、[101] 用于关卡设计的深度强化学习、[102] 3Dify（基于MCP + RAG的程序化3D-CG）、[118] SceneCode（具有可编辑可移动对象的可执行世界程序）、[119] OpenBlock、[131] CoComposer（多智能体音乐协作）、[133] MoGraphGPT、[135] Valerant（可导航地图生成）、[137] AniME（长动画的自适应多智能体规划）、[142] M³VIR数据集、[143] Elemental Alchemist（粒子系统的语义控制）、[147] Puppeteer（绑定与动画）、[150] Spiritus（2D角色与动画）、[153] EasyCraft（化身组装）、[155] Bunraku（Live2D角色）、[156] GameTileNet（低分辨率游戏美术数据集）、[165] 数据库驱动的3D关卡生成、[167] 人类对齐的程序化关卡生成、[168] SPRITETOMESH、[169] Angry Birds关卡稳定化、[170] SonicRAG（检索增强音效）、[172] 情感弧线引导的关卡生成、[173] 图集式3D资产分割工作流、[174] GenTune（环境设计中可追溯的提示）。

与第 6 章（生成式世界模型）相关：[10] 编排现实（参数化动作 POMDP 世界模拟），[17] 世界编辑（对可执行世界的分层干预），[22] 从模糊认知图到因果虚拟世界，[52] GS-Agent（一个生成式模拟 4D 物理世界），[65] 面向多主体场景创作的工具约束智能体，[68] WorldGen（从文本到可穿行的 3D 世界），[120] CASCADE，[164] PROWBench（视频模型是否渲染出程序所指定的内容）。

与第 7 章（测试与质量保证）相关：[12] 游戏 QA 中的几何裁剪检测，[19] FactorSmith（通过 MDP 分解生成模拟），[24] 无尽跑酷游戏中程序化内容的运行时评估，[60] 3D 游戏的行为驱动开发，[70] 人机协同游戏测试，[85] 一种面向赛车关卡平衡的模拟驱动方法，[86] 基于贝叶斯优化的测试智能体控制，[104] 面向 MMO 的生成式多智能体试玩模拟，[105] 3D 游戏的好奇心驱动测试，[121] 场景驱动的神经进化测试生成，[138] 从游戏视频中检索缺陷帧，[179] VLM 在 19,738 帧上的视觉缺陷检测能力。

与第 8 章（设计与人类–AI 协作）相关：[149] 使用中型 LLM 进行游戏概念构思，[163] 资源受限独立团队中的理解债务，[190] Design Creativity Bench（衡量 UI 生成中的创造力）。

与第 9 章和第 11 章（基准与资源）相关：[111] WorldBench（体素世界生成），[128] GenAI4IDN 3.0，[151] 语义感知的游戏图像质量评估，[160] 一个程序化内容生成基准，[198] 基础模型时代的游戏 AI，[209] AI 原生游戏：综述与路线图。

与第 12 章（应用）相关：[7] Storycaster，[37] WhatELSE，[45] GenEscape（密室逃脱谜题），[47] D&D 动态难度，[73] GardenDesigner，[97] GenLARP，[106] GamED.AI，[116] 严肃游戏的程序化内容评估，[126] Cardiverse，[130] SPHERE，[140] 带符号脚手架的非玩家角色对话，[141] XARP Tools，[154] 交易卡牌生成与相关性，[157] BLOCK（一个 Minecraft 皮肤流水线），[171] Hunyuan3D Studio，[175] 桌面角色扮演游戏中的怪物等级预测，[176] Narrative Context Protocol，[180] Amorphous Fortress Online，[183] MagicCraft，[188] Vibe Coding XR，[193] Boardwalk，[202] Hunyuan-Game，[203] 智能笔刷地图编辑，[205] LETGAMES（认知训练）。

A.4 薄证据叶节点与已知局限

以下叶节点的证据明显比其余节点更薄，正文对其每一个结论都作了标注：UI 3 篇（[125][36][177]），过场动画 5 篇（[71][15] 及其他），音频 7 篇（[32][55][117][131][64][170][145]），设计构思 7 篇（[194][178][30][149][195][190][41]）。它们的共同点是缺少面向交付的评判标准，而非缺少技术（第 5.7 节对此展开讨论）。

读者还应记住的其他边界：缺陷实验大多基于注入，只有少数使用真实缺陷报告或真实崩溃（[59]）；没有跨引擎运行的基准，因此“环境难度”无法作为独立维度来衡量；成本、延迟和 VRAM 只有少数几项工作报告（[44][56][201]）；模型评判者与被评估系统之间的同族关系在若干处被作者承认为局限（[113][107]），此处未独立重新核查；而玩家体验的问卷研究在方法上总体薄弱（[27]），因此引用应回溯到量表和样本。本综述没有做的事情：没有元分析，没有对基准的独立复现，也没有对未披露系统的自报结果进行第三方验证——因此每个“关键数字”都应理解为原作者在其自身设定下的报告，本综述仅在验证器层级内对它们进行比较。

附录 B　叶到章的映射与跨叶重叠

分类树（图 4）的叶节点并非与各章一一对应：若干工作出现在两条主线上，下表记录了它们的处理方式。当出现重叠时，本综述引用该工作是为了该章所讨论的能力，而不是为了它为自己声称的领域。

表12　叶子到章节的映射及跨叶子重叠。一项工作可以从不同角度出现在多个章节中，因此一个编号只出现在一个章节中并不意味着它在另一章节被拒绝。

本表的目的是明确一项工作从不同角度出现在不同章节中，因此一个编号只出现在一个章节中并不意味着它在另一章节被拒绝。

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