AI 模子们必必要正在每个定义好的场景下选择最佳策略，还能注释缘由，起首是正在监视中进修，比力分歧策略之间的好坏。目前的 AI 模子存正在较着的功能鸿沟，是抱负的进攻方针，随后通过励机制进行强化进修，模子锻炼后仍连结原有的文本理解、数学推理取问答能力。弄清晰这些策略的根基机制；错误步履则得 0 分。随后团队测试了多种言语模子，团队选择以《王者荣耀》逛戏做为锻炼范本，并利用 DeepSeek-R1 大模子做为对照组。先从 DeepSeek-R1 提炼高质量锻炼数据，锻炼分为两个阶段，而言语模子虽然能够推理策略，最终颠末 TiG 框架锻炼的模子不只能制定步履打算，若是步履准确能得 1 分，但很难实正施行操做，并注释其计谋启事。例如 AI 会指出某个防御塔防守亏弱，然后利用群体相对策略优化（GRPO）手艺，研究全新 TiG（Think in Games）框架，涵盖 Qwen2.5（7B、14B、32B）、Qwen3-14B 模子，先利用匿名且尺度化的赛事数据定义推上、守家等 40 种宏不雅步履，具体来说，研究团队指出，腾讯研究人员比来用《王者荣耀》逛戏做为锻炼平台，让模子正在逛戏中同步思虑、步履。胜负回数平衡，为此他们研发了全新 TiG 框架，但需要留意潜伏的仇敌。以逛戏为取向的 AI 能一般玩耍但无解本人所做的决策，摸索若何让AI正在逛戏中学会“计谋性思虑”。