3D动作角色扮演游戏领域迎来重大突破——人工智能的实战能力正取得跨越式发展。淘天集团未来生活实验室最新研发的CombatVLA模型，凭借30亿参数的规模，在《黑神话：悟空》与《只狼：影逝二度》等高难度游戏中，展现出超越GPT-4o甚至人类职业玩家的战斗表现。这项研究成果已被ICCV 2025收录，引发行业震动。
该模型的核心突破在于其实时响应能力。与依赖强化学习反复试错或大模型高延迟推理的传统方案不同，CombatVLA通过创新的"动作思维"机制（Action-of-Thought, AoT），将视觉输入直接转化为可执行的键鼠指令序列，实现了战术决策与动作执行的完美同步。
在测试中，模型展现出接近职业电竞选手的战术素养：血量危急时能精准后撤并使用恢复技能；抓住敌人破绽后立即释放控制法术衔接连招；甚至能预判攻击轨迹完成闪避反击。
值得一提的是，在《只狼》这类高难度对决中，模型能完美格挡致命攻击并发动忍杀终结技。这些行云流水的操作，标志着AI在高强度对抗场景中的决策能力取得质的飞跃。
支撑这一表现的是一套系统化技术架构：
- 开发轻量级动作追踪器，自动采集人类玩家的操作数据
- 构建CUBench评测基准，包含单帧判断、多帧推理等任务
- 采用AoT数据格式，将战术解释与动作指令有机结合
- 引入特殊截断标记⟨TRUNC⟩，在保证逻辑的前提下压缩响应时间
训练过程采用三阶段渐进式方案：
- 视频级粗粒度学习：建立整体战斗认知
- 帧级细粒度训练：掌握精确动作时序
- 截断微调阶段：优化实时响应效率
重要提示：训练过程中视觉编码器保持冻结，仅微调语言模型部分，这种设计显著提升了训练效率。
实测数据显示：
| 战斗理解准确率 | 领先Gemini等模型6% |
| 推理延迟 | 低至1.8秒 |
| 速度提升 | 较同类方案快50倍 |
目前CombatVLA已能通过pyautogui等工具直接操控PC游戏，实现从感知到执行的完整闭环。研究团队透露，下一步将重点提升模型对复杂场景的理解深度，探索在虚拟现实、具身智能等领域的应用可能。
