# Level Generation with Large Language Models

# Fine-tuning（微调）

# Bootstrapping（自举法）

• 用已有数据通过模型得到新数据

• 通过人工 or 自动化的测试确保新数据符合预期的情况

• 把新数据也投入模型得到更新的数据

# Hybrid text-conditioned generators（混合文本生成器）

# The 5-dollar model

论文：https://arxiv.org/pdf/2308.04052

# GAN（生成式对抗网络）

# embedding

# MarioGPT

# Distilling generators（蒸馏生成器）

• 首先训练一个模型用来生成关卡，并且给关卡中的各个成分打上标签，这样就可以得到一系列带有标注的关卡。

• 再训练一个新的模型，用这些带有标注的关卡生成新关卡（这里可以提纯得到一个仅需要标签 -> 新关卡的生成器，而非带有标签的关卡 -> 新关卡的生成器），这一步主要是让模型可以把标注和关卡进行一定程度的关联。

• 目的：用一个入参不太方便【需要带标注的关卡】的生成器，得到一个入参简单【仅仅需要标注】的生成器 —— 此乃生成器「蒸馏」

• 注意点：标注要充满多样性。

# Co-generating stories and worlds（联合生成故事和世界）

• 通过文本生成故事

• 通过故事丰富角色

• 通过角色和故事生成世界观

• 通过世界观生成实际场景

• ...

# 参考链接

• OA 登录