Player-Driven Emergence in LLM-Driven Game Narrative

我们探讨了与大型语言模型（LLMs）的交互如何产生新兴行为，使玩家能够参与游戏叙事的演变。我们的测试床是一个文本冒险游戏，玩家试图在固定的叙事前提下解决一个谜题，但可以自由地与由GPT-4生成的非玩家角色互动。我们招募了28名玩家玩游戏，并使用GPT-4自动将游戏日志转换为代表玩家游戏中叙事的节点图。我们发现，通过与LLM的非确定性行为的互动，玩家能够发现有趣的新兴节点，这些节点不是原始叙事的一部分，但具有成为有趣和引人入胜的潜力。创造最多新兴节点的玩家往往是那些喜欢发现、探索和实验的游戏者。

论文探讨了与大型语言模型（LLMs）的交互如何产生新的行为，使玩家参与游戏叙事的演变。该论文的目标是验证玩家与LLMs互动是否能够产生新的游戏节点。

论文的关键思路是使用GPT-4作为非玩家角色，让玩家在固定叙事前提下自由与其互动，然后将游戏日志转换为节点图来表示游戏叙事，并通过玩家与LLMs的交互来发现新的游戏节点。

论文通过招募28名玩家进行实验，并使用GPT-4作为非玩家角色，让玩家在游戏中自由交互。然后将游戏日志转换为节点图来表示游戏叙事，并通过玩家与LLMs的交互来发现新的游戏节点。研究发现，喜欢探索、发现和实验的玩家创造了最多的新节点，这些新节点在原始叙事中并不存在，但具有潜在的趣味性和吸引力。

最近的相关研究包括使用LLMs生成游戏内容和对话，如《AI Dungeon》和《Prom Week》。