通过程序搜索与持续抽象发现实现程序化内容元生成
文章背景与核心概要
本文探讨了程序化内容生成（PCG）领域的一种创新范式：利用大语言模型（LLMs）直接演化可执行的 Python 生成器，而非仅仅生成单一的游戏关卡。这种方法将搜索空间从具体的关卡数据提升到了生成逻辑层面，从而实现了更高级别的元生成。
研究的核心贡献在于提出了“持续抽象发现”（Continual Abstraction Discovery, CAD）技术。该技术能够自动识别并从高适应度的程序中提取可重用的代码原语，并将其封装进辅助模块中。通过在《推箱子》（Sokoban）、《塞尔达传说》（Zelda）、《危险戴夫》（Dangerous Dave）和《淘金者》（Lode Runner）四个游戏领域的实验，研究证明了 CAD 能显著提升进化程序搜索的效率，且模型能够自动发现并复用关键的结构化与验证工具，从而大幅优化生成器的性能。
摘要
大语言模型能够生成可执行程序，这使得直接对程序化内容生成器进行搜索成为可能，而无需局限于单个关卡。我们研究了这一方法在《推箱子》、《塞尔达传说》、《危险戴夫》和《淘金者》中的应用。每一轮实验都通过语言模型的变异和交叉操作来演化完整的 Python 生成器。我们引入了“持续抽象发现”（Continual Abstraction Discovery，简称 CAD），它能从高适应度的程序中提取可重用的原语，并将其存入特定运行的辅助模块中。
Large language models can generate executable programs, which makes it possible to search directly over procedural content generators rather than individual levels. We study this approach in Sokoban, Zelda, Dangerous Dave, and Lode Runner. Each run evolves complete Python generators through language-model mutation and crossover. We introduce Continual Abstraction Discovery, or CAD, which extracts reusable primitives from high-fitness programs into a run-specific helper module.
我们进行了一项 2x2 的实验，将 CAD 与固定手写领域 API 的访问权限进行了交叉对比。完整的数据集包含 160 次完整运行，每个单元格至少包含十次 50 代的运行。在所有八个领域和 API 的对比中，CAD 均提高了最终平均最佳适应度。在所有 CAD 运行中，学习到的库被后续的大多数程序所采用，并反复重新发现了验证、可达性检查和结构化工具。这些结果支持了以下结论：发现可重用原语能够改善内容生成器的进化程序搜索效果。
A 2x2 experiment crosses CAD with access to a fixed hand-written domain API. The completed data set contains 160 complete runs, with at least ten 50-generation runs in every cell. CAD raises mean final best fitness in all eight domain and API comparisons. Across all CAD runs, learned libraries are adopted by most later programs and repeatedly rediscover validation, reachability, and structural utilities. These results support that discovering reusable primitives improves evolutionary program search for content generators.
获取论文
Access the Paper * View PDF * HTML (Experimental) * TeX Source
元数据与引用
- 引用格式： arXiv:2608.17947 [cs.AI]
- 参考文献： NASA ADS | Google Scholar | Semantic Scholar
Metadata & Citations * Cite as: arXiv:2608.17947 [cs.AI] * References: NASA ADS | Google Scholar | Semantic Scholar