结论：腾讯ARC等团队新预印本以多时间尺度数据与双轨评测统一检验游戏智能

腾讯ARC Lab牵头，联合大湾区大学、澳门大学、华中科技大学、香港中文大学与新加坡国立大学的团队公开预印本《GameHorizon Suite: Multi-Horizon Data and Evaluation in Gameplay》。作者结论是：以自动化多层指令标注管线、5000小时21款3A游戏三元组数据，以及可复现离线评测加分步在线验证的双轨基准，可在同一标尺下比较通用视觉语言模型、统一多模态模型、代码与GUI智能体及专用游戏智能体。作者报告对47个模型完成超100万次调用，发现任务难度呈层级，规划未来动作与分解复杂目标明显难于判断当前动作。本文为预印本解读，结论限于作者实验范围，未经同行评审与独立复现。时效说明：arXiv记录该版本提交时间为2026年9月21日17时59分33秒UTC，对应北京时间2026年9月22日01时59分，属于本次运行的当日窗口。

研究对象与方法条件

研究对象为现代视频游戏中跨时间尺度的视觉理解、指令分解、目标规划与精确动作控制。方法包含三部分，均来自当日论文原文。第一，GameHorizon-Annotator为可扩展自动化标注管线，自下而上由细粒度操作抽象出短时操作、中程目标、长程策略三层自然语言指令金字塔，区别于作者指出的缺少指令或仅有稀疏标注的既有数据。第二，GameHorizon-Data由100名人类专家玩家在21款3A游戏中录制5000小时，时间对齐游戏画面、键鼠等原始动作与多层指令，覆盖开放世界、动作角色、竞技射击、沙盒生存与生物收集等品类，作者称是首个公开的视频、动作、指令三元组AAA数据集。第三，GameHorizon-Bench设离线与在线双轨：离线轨用数千道标准化题目组织单层动作、多层指令分解、跨层一致性三类主任务及诊断变体；在线轨将长程游玩拆为短时子任务，区分顺序依赖的因果任务与顺序灵活的主题任务，以环境重置实现分步验证与失败定位，检验离线分数是否反映真实游玩能力。以上方法描述为作者自述，编辑未补充外部背景。

评估范围与作者报告的主要结果

作者称在自建数据与基准上完成大规模评测，离线评测47个模型，含通用视觉语言模型、统一多模态模型、代码与GUI智能体及专用游戏智能体，累计超100万次模型调用与接口请求。在线部分通过分步任务验证离线与在线的一致性。作者报告的主要结果为：任务难度存在有意义的层级，模型能力差异显著；瓶颈集中在未来动作规划与复杂目标分解，而非当前动作判断；与纯视觉输入相比，加入作者提供的中长程指令后未来动作规划提升7.2个百分点；离线准确率与在线任务成功率呈明显正相关，作者据此认为离线分数可作为真实游玩能力的有效代理。这些比较仍限于作者选择的游戏、题目划分与实现配置，不构成对所有游戏与模型的普遍保证。

研究状态、限制与潜在意义

状态为arXiv预印本，学科分类为cs.CV与cs.AI，未标注期刊或会议接收信息，应按未经同行评审处理。限制包括：数据来自21款游戏与100名专家玩家，不能外推至全部游戏类型与普通玩家分布；离线题目、诊断变体与在线分步环境均为作者定义，结果受游戏版本、重置逻辑与提示实现影响；7.2个百分点提升与正相关为作者基准内的观察性结果，未证明因果；数据集、标注器与基准的实际可用性以作者承诺的公开仓库与项目页落地为准，本次未将仓库与项目页作为核验来源。潜在意义在于为两类模型提供低成本、标准化、可复现的统一标尺：既测专用游戏智能体的规划推理，也测通用模型的动作执行，并通过失败定位区分是当前动作识别错、下一目标推断错，还是目标到未来控制的映射错。若后续公开完整数据、代码与第三方复现，则可进一步判断其在游戏智能体训练与多模态能力评估中的实用价值。

作者结论为论文自述，尚未见独立第三方验证；机构归属来自论文作者页，编辑解释仅限于方法归类与适用条件，不做效果担保或商业推荐。