浅析 GameNGen 的训练数据与泛化（踩坑复盘·2）

很多同学习惯问『能不能用』，我更想问『值不值得用』。先说结论，再摆依据。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 先摆事实：GameNGen（Google Research）2024-08-27（论文 Diffusion models are real-time game engines，ICLR 2025） 发布，基于 Stable Diffusion 1.4 修改版微调；授权方式为未开源（仅论文）。 落地时绕不开的资源问题——单 TPU 可跑。 从推理优化工程师的角度看，实用价值是第一考量。值得划重点的地方：动作嵌入单 token、噪声增强抗自回归漂移；人类难以区分其 DOOM 片段与真实画面；无传统游戏逻辑/物理/渲染管线。 以上就是我的全部实测，散会。以上均为基于公开信息的分析，欢迎指正。—— 先跑通，再跑快。 👀 ✅ 🙂