2025_NIPS_MarioGPT: Open-Ended Text2Level Generation through Large Language Models

一、文章主要内容总结

该研究提出了MarioGPT——一款基于微调后的GPT-2（DistilGPT2）模型，专门用于生成《超级马里奥兄弟》风格的瓦片式游戏关卡，核心解决程序性内容生成（PCG）中“可控性”与“开放性”不足的问题。

1. 核心目标：突破传统PCG方法难以通过自然语言控制生成结果、开放性不足的局限，实现“文本提示驱动的可控关卡生成”，同时保证关卡的可玩性、多样性和开放性。
2. 技术方案：
   • 模型基础：基于DistilGPT2微调，结合冻结的BART模型编码文本提示，通过交叉注意力机制将提示信息融入关卡生成过程。
   • 关卡表示：将马里奥关卡编码为字符串序列，使用字节对编码（BPE）分词，每个瓦片对应唯一token。
   • 开放性扩展：结合“新奇性搜索”（Novelty Search）算法，通过LLM驱动的突变操作（随机替换关卡片段+MarioBert模型修复路径一致性），持续生成多样化关卡。
3. 关键结果：
   • 高可玩性：88.4%的生成关卡可被A*智能体完成，远超LSTM基线（31%）。
   • 强可控性：对管道、敌人、方块、海拔的提示匹配准确率分别达81%、68%、92%、76%，支持未在训练集中出现的提示组合。
   • 高多样性：结合新奇性搜索后，关卡在行为特征空间（玩家路径）中分布更广泛，无“多样性与可玩性权衡”问题。
   • 低记忆依赖：通过调