GameNGen 技术拆解：帧预测背后的东西（入门扫盲）

这个问题被问了太多次，统一回复一下。不整虚的，直接上数字。 「新手科普」写给刚入门的朋友，老手可以跳过。 查了下公开资料：GameNGen 出自Google Research，2024-08-27（论文 Diffusion models are real-time game engines，ICLR 2025） 与大家见面，基于 Stable Diffusion 1.4 修改版微调，使用未开源（仅论文）授权。 落地时绕不开的资源问题——单 TPU 可跑。 数据出身的我更信可复现的数字，不信口头宣传。官方口径里有几条很关键：人类难以区分其 DOOM 片段与真实画面；动作嵌入单 token、噪声增强抗自回归漂移；首个全神经网络实时游戏引擎。 篇幅有限，展开讲能写一篇论文。数据都摆在这，结论大家自己判断。