All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	We present ''GameNGen'', the first game engine powered entirely by a neural model that enables real-time interaction with a complex environment over long trajectories at high quality. GameNGen can interactively simulate the classic game DOOM at over 20 frames per second on a single TPU. Next frame prediction achieves a PSNR of 29.4, comparable to lossy JPEG compression. Human raters are only slightly better than random chance at distinguishing short clips of the game from clips of the simulation. GameNGen is trained in two phases: (1) an RL-agent learns to play the game and the training sessions are recorded, and (2) a diffusion model is trained to produce the next frame, conditioned on the sequence of past frames and actions. Conditioning augmentations enable stable auto-regressive generation over long trajectories.
^h Spanish (es)	Presentamos ''GameNGen'', el primer motor de juegos impulsado completamente por un modelo neuronal que permite la interacción en tiempo real con un entorno complejo a lo largo de trayectorias prolongadas con alta calidad. GameNGen puede simular interactivamente el juego clásico DOOM a más de 20 fotogramas por segundo en una sola TPU. La predicción del siguiente fotograma alcanza un PSNR de 29,4, comparable a la compresión JPEG con pérdidas. Los evaluadores humanos son solo ligeramente mejores que el azar al distinguir clips cortos del juego de clips de la simulación. GameNGen se entrena en dos fases: (1) un agente de aprendizaje por refuerzo (RL) aprende a jugar y se registran las sesiones de entrenamiento, y (2) se entrena un modelo de difusión para producir el siguiente fotograma, condicionado a la secuencia de fotogramas y acciones anteriores. Las mejoras de condicionamiento permiten una generación autorregresiva estable a lo largo de trayectorias prolongadas.
^h Chinese (zh)	我们介绍了''GameNGen''，这是第一个完全由神经模型驱动的游戏引擎，能够在长轨迹上与复杂环境进行高质量的实时交互。GameNGen 可以在单个 TPU 上以每秒超过 20 帧的速度交互模拟经典游戏 DOOM。下一帧预测的 PSNR 为 29.4，与有损 JPEG 压缩相当。在区分游戏短片和模拟片段方面，人类评分员的表现仅略好于随机概率。GameNGen 的训练分为两个阶段：(1) 一个强化学习代理学习玩游戏，并记录训练过程；(2) 训练一个扩散模型，以过去的帧和动作序列为条件生成下一帧。条件增强技术可在长轨迹上实现稳定的自动回归生成。