知识卡片：GameHorizon Suite：游戏玩法中的多时间跨度数据与评估

一句话结论

GameHorizon Suite 是一套面向游戏玩法的统一数据与评测套件，用多时间跨度指令、时间对齐的 AAA 游戏视频/玩家动作数据，以及离线与逐步在线测试，评估不同模型家族在视觉理解、指令分解、目标规划和精确动作控制上的能力。

事件概述或研究问题

现代视频游戏可作为 AI 模型的可测量测试台，覆盖多个时间跨度上的综合能力。现有数据集和基准存在三类不足：覆盖游戏范围窄、缺少语言指令、依赖高方差在线 rollout。作者因此提出 GameHorizon，目标是在不同时间跨度和不同模型家族上统一衡量游戏玩法能力。

方法/产品要点

• GameHorizon-Annotator：可扩展、自动化的多时间跨度指令标注流水线。
• GameHorizon-Data：作者称其为首个大规模 AAA 玩法数据集，包含时间对齐的视频、玩家动作和多时间跨度指令；由 100 名人类专家玩家采集，覆盖 21 款游戏，共 5,000 小时录制。
• GameHorizon-Bench：包含可复现的离线测试与逐步在线测试。离线轨道使用数千个标准化问题，组织为三类主任务和一系列诊断变体；在线轨道检验离线分数是否反映实际玩法能力，并将长时程玩法中的失败定位到具体步骤。
• 评测规模：基于该套件评估 47 个模型，超过一百万次模型调用。

主要结果或产业意义

• 摘要称评测揭示出有意义的任务难度层级，以及模型能力之间的显著差异。
• 该套件被定位为跨时间跨度、跨模型家族的标准化游戏玩法能力衡量尺。
• 作者表示将发布数据集、标注器和基准，以促进后续研究。
• 材料未给出具体分数、模型排名、任务名称细节或统计结果；这些需查全文或后续发布材料，待核实。

为什么重要

• 游戏玩法把视觉理解、语言指令、规划与精确动作控制放在同一长时程环境中，适合作为 AI 模型/智能体能力的综合测试场。
• “离线可复现评测 + 在线逐步诊断”的组合，试图解决仅依赖在线 rollout 时方差高、失败难定位的问题。
• 与既有卡片的关系：提供的已有卡片与 GameHorizon Suite 无直接延续或更新关系；本条的增量信息是游戏玩法场景下的多时间跨度数据与评测套件。

局限与不确定性

• 当前依据仅为 arXiv 摘要和元数据，全文方法、实验表和附录细节待核实。
• 数据集、标注器、基准是否已实际开放，以及许可、访问方式和维护计划，待核实。
• 自动标注流水线的准确率、人工校验比例、标注一致性、数据偏差与隐私/版权处理，待核实。
• 在线测试环境、可复现性、稳定性、计算成本和模型调用成本，待核实。
• 47 个模型的具体清单、模型类型、指标定义、任务定义、统计显著性和失败定位效果，待核实。
• “首个大规模 AAA 玩法数据集”为作者原文表述，需独立核实。

可用于图书/PPT/简报的角度

• 游戏作为通用 AI 智能体评测场：从静态问答走向交互式长时程任务。
• 多时间跨度能力分层：感知、指令分解、目标规划、精确动作控制。
• 评测设计：离线标准化测试与在线逐步诊断的结合。
• 数据工程：大规模专家人类玩法数据 + 自动化多时间跨度标注管线。
• 基准意义：为跨模型家族的能力比较提供统一标尺。

原始材料

• 英文标题：GameHorizon Suite: Multi-Horizon Data and Evaluation in Gameplay
• 英文关键词（由摘要提取）：GameHorizon, multi-horizon instructions, gameplay dataset, benchmark, AAA gameplay, offline evaluation, online evaluation, model capabilities
• arXiv ID：2609.25001v1
• 作者：Yiran Wang, Xingyilang Yin, Junfu Pu, Guangzhi Wang, Kaifeng Li, Mingyu Ouyang, Huiqiang Sun, Lingen Li, Cheng Cheng, Wangbo Yu, Honghao Chen, Xiaodong Cun, Chi-Man Pun, Zhiguo Cao, Ying Shan
• 发布时间：2026-09-21T17:59:33Z；更新：2026-09-21T17:59:33Z
• 主分类：cs.CV；分类：cs.CV, cs.AI
• Abstract URL：https://arxiv.org/abs/2609.25001v1
• PDF URL：https://arxiv.org/pdf/2609.25001v1