English(EN) Compiling Known Rules into Compact Neural Agents: Weight-Space Programming on Unseen Games

权重空间编程将游戏规则编译成神经网络代理

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-14 05:00

研究人员开发了一种名为权重空间编程（WSP）的方法，该方法允许在没有传统训练的情况下创建神经网络权重。该技术通过将已知的游戏机制编译成紧凑型神经网络代理进行了测试，这些代理能够泛化到特定游戏家族中未见过的关卡。虽然最强的 WSP 代理在未见过的关卡上取得了 56% 的成功率，但使用可比计算资源的 Python 玩家达到了 91% 的成功率，这表明在此背景下直接编程可能更有效。研究还发现，WSP 生成的网络很脆弱，在经过近端策略优化（PPO）等标准微调方法后，会损失大部分成功率。 AI

影响展示了一种新的代理创建方法，尽管在特定的游戏场景中，直接编程目前表现更优。

排序理由该集群包含一篇研究论文，详细介绍了一种在没有传统训练的情况下创建神经网络权重的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了一种在没有传统训练的情况下创建神经网络权重的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jens Lehmann · 2026-11-14 05:00

将已知规则编译成紧凑型神经网络代理：在未见过游戏中的权重空间编程

arXiv:2611.16981v1 Announce Type: new Abstract: Weight-space programming (WSP) uses language models to construct neural network weights without training. We test whether known game mechanics can be compiled into compact agents that generalise to held-out levels, renderings and st…

本文如何被排名

报道来源 [1]

将已知规则编译成紧凑型神经网络代理：在未见过游戏中的权重空间编程

相关实体

相关话题