💡 站外导读：在AIGC浪潮席卷各行各业的今天，如何让AI更高效、更精准地理解和执行复杂动态任务，成为前沿攻关的核心。尤其是在3D游戏、机器人控制等需要实时决策与精细操作的领域，传统模型往往面临推理速度慢、泛化能力弱的瓶颈。淘天集团未来生活实验室推出的CombatVLA，正是针对这一行业痛点，通过创新的“动作思维”序列与三阶段渐进式学习，实现了速度与成功率的双重突破，为游戏乃至更广泛的具身智能应用开辟了新路径。

CombatVLA 是淘天集团未来生活实验室团队推出的专为3D动作角色扮演游戏（ARPG）中的战斗任务设计的高效视觉-语言-动作（VLA）模型。模型基于3B参数规模，通过动作追踪器收集的视频动作对进行训练，数据格式化为“动作思维”（AoT）序列。模型用三阶段渐进式学习范式，从视频级到帧级再到截断策略，实现高效推理。CombatVLA 在战斗理解基准测试中超越现有模型，推理速度提升50倍，任务成功率高于人类玩家。

CombatVLA的主要功能

• 高效战斗决策：CombatVLA 能在复杂的3D游戏环境中实时做出战斗决策，包括躲避攻击、发动技能、恢复生命值等，决策速度比传统模型快50倍。
• 战斗理解与推理：CombatVLA 能评估敌人的状态、判断敌人的攻击意图，推理出最优的战斗动作，战斗理解能力显著优于其他模型。
• 动作指令生成：模型能输出具体可执行的键鼠操作指令，例如按下特定按键或执行鼠标操作，控制游戏角色进行战斗。
• 泛化能力：在不同难度的任务和不同游戏中，CombatVLA 均展现出较强的泛化能力，在未见过的游戏场景中能有效执行战斗任务。

CombatVLA的技术原理

• 动作追踪器：基于动作追踪器收集人类玩家的游戏操作数据，包括键盘和鼠标操作，同步截取游戏画面，生成视频动作对数据。
• 动作思维（AoT）序列：将收集到的数据转化为“动作思维”（Action-of-Thought）序列，每个动作都附带详细解释，帮助模型理解动作的语义和逻辑。
• 三阶段渐进式学习：
  • 阶段1：视频级 AoT 微调，让模型初步理解战斗环境。
  • 阶段2：帧级 AoT 微调，帮助模型理解动作与前序帧的严格对齐。
  • 阶段3：帧级截断 AoT 微调，引入特殊标记 <TRUNC>，截断输出以加速推理。
• 自适应动作权重损失：通过动作对齐损失和模态对比损失，优化模型的训练过程，确保模型准确输出关键动作。
• 动作执行框架：将模型输出的动作指令基于动作执行框架转换为实际的键鼠操作，实现对游戏角色的自动控制。

CombatVLA的项目地址

• 项目官网：https://combatvla.github.io/
• GitHub仓库：https://github.com/ChenVoid/CombatVLA
• arXiv技术论文：https://arxiv.org/pdf/2503.09527

CombatVLA的应用场景

• 3D动作角色扮演游戏（ARPG）：实时控制游戏角色进行战斗，实现高效决策和动作执行，提升游戏体验。
• 游戏测试与优化：帮助开发者测试游戏的战斗系统，发现并优化潜在问题。
• 电子竞技训练：为电竞选手提供智能对手，帮助用户练习战斗技巧和战术，提升竞技水平。
• 游戏内容创作：辅助游戏开发者生成战斗场景和剧情，快速构建复杂的游戏关卡和任务。
• 机器人控制：在现实世界中，将技术扩展到机器人控制，使机器人在动态环境中进行快速决策和动作执行。