10个行走策略零真实步数，真实游戏30/30拿到首个徽章

一位开发者做了个扩散世界模型：喂进最后 4 帧游戏画面加一个按钮动作，它画出下一帧。1670 万参数，72×80 灰度，DIAMOND 风格的 EDM U-Net。

代理不会每一步都看真实画面。每走 10 步，系统拿 4 帧真实画面重新对齐一次，其余时间它跑在自己的预测里。

代理分快慢两层，和 Krafton 给 PUBG Ally 用的分工一样。慢层读游戏 RAM，挑下一个目标：练级到 14、治疗、旅行、去道馆。它还能查 Pokédex，在 Bulbapedia 上搜攻略。默认走规则，也可以换成本地 LLM。

快层是 10 个小型行走策略，每个 158 万参数。这 10 个策略全部在世界模型的想象里训练，真实游戏步数为零。

读 RAM 让目标选择有了干净的输入，等级和血量都是直接读出来的数。换到别的任务上，分层架构好搬，这份能直接读的状态表不好搬。

真实游戏里，代理 30/30 次运行拿到第一个道馆徽章。作者拿 6 个本地 LLM 当规划器做对比，5 个把徽章拿到 10/10。最好的那个中位数按了 7144.5 次按钮，作者手写的规则要 8779.5 次。

画质是另外补的。世界模型只输出 72×80 灰度。作者加了一个上采样器，把画面拉到 144×160，0.72M 参数。又加了一个逐像素着色器，1.91M 参数，在留出帧上颜色准确率 99.27%。两个各训练 25 分钟。全部训练加起来 50.0 GPU 小时，一张 RTX 4090，在家跑完。

战斗还没交给它。世界模型大多数时候会把战斗提前结束，所以这部分目前还是脚本化的。

讨论区里，高票评论对发表不乐观：光把事情做出来，ICLR 不会收。有人建议改投 CoG 这类游戏方向的会议。理由是游戏向的投稿进传统非游戏会议本来就难。另一条评论把门槛说得更具体：得有一个清晰的科学贡献，不能只是好玩的应用。先做文献综述，再在不同基准上跟 SOTA 比。

作者在医疗代理和全栈领域工作，说这个项目只是用来学习的。评论区的注意力已经落在够不够 ICLR 上。