超越询问：从行为读取玩家的个性化游戏生成管道

arXiv AI 发布论文，提出一套个性化游戏生成管道，通过玩家行为推断能力与风格。论文构建了特质为ground truth的合成玩家群体作为基准，引入机会感知决策时刻表示分离偏好与表达机会，并比较了少样本LLM推断与嵌入、规则及特征监督方法的性能。结果显示少样本LLM在多数特质上优于嵌入和基于规则的方法，但特征监督回归器总体更强。管道以推断画像驱动难度适配。

此前从行为推断玩家特质缺乏可验证的ground truth，且行为歧义性高。本研究构建合成玩家群体与机会感知表示，为行为推断提供可验证基准，并验证LLM在推断玩家特质上的潜力，为个性化游戏生成提供了更可靠的评估基础。

合成玩家群体中每个显式bot参数为ground truth特质，通过受控操作后的行为变化验证；机会感知决策时刻表示将偏好与表达机会分离，减少歧义；少样本LLM直接读取游戏转录生成玩家画像，经此基准评估其准确性。

可提升游戏动态难度适配的准确性，基于客观行为而非问卷或自我报告；减少对玩家自报数据的依赖，可能降低数据获取成本；但LLM推断性能仍不及监督回归器，需权衡精度与部署成本。

• 将LLM行为推断集成到游戏实时难度调整系统，实现无干预个性化体验
• 利用机会感知表示改进玩家行为分析仪表盘，区分偏好与处境
• 基于合成玩家基准测试不同推断模型，选择成本-效果最优的算法

• LLM推断在所有特质上是否都稳定优于基线？特征监督回归器优势的具体方面未明
• 该基准在真实玩家数据上的泛化效果未验证
• 难度适配闭环的具体评估结果尚未在摘要中展示