通过NLP和多模态LLM从GDD自动生成Unity游戏模板
Automated Unity Game Template Generation from GDDs via NLP and Multi-Modal LLMs
AI总结：
本文提出一种利用NLP和多模态LLM将游戏设计文档自动转化为Unity游戏模板的框架，通过微调LLaMA-3模型生成C#代码，在编译、遵循度和模块化等指标上优于现有模型，有效填补AI辅助游戏开发的空白。
摘要：
本文提出了一种新颖的框架，通过使用自然语言处理（NLP）和多模态大型语言模型（LLMs），将游戏设计文档（GDDs）转化为可运行的Unity游戏原型，从而实现游戏模板的自动生成。我们引入了一个端到端系统，该系统解析GDD，提取结构化游戏规格，并合成与Unity兼容的C#代码，以实现设计文档中定义的核心机制、系统和架构。我们的方法结合了一个专门针对Unity代码生成进行微调的LLaMA-3模型，以及一个自定义的Unity集成包，以简化实现过程。评估结果表明，与基线模型相比，我们的方法取得了显著改进，微调模型在编译成功率、GDD遵循度、最佳实践采用率和代码模块化指标上均优于最先进的LLMs，平均得分达到4.8/5.0。生成的模板在多种游戏类型中表现出对GDD规格的高度遵循。我们的系统有效解决了AI辅助游戏开发中的关键空白，将LLMs定位为简化从游戏设计到实现过渡的宝贵工具。
英文摘要：
This paper presents a novel framework for automated game template generation by transforming Game Design Documents (GDDs) into functional Unity game prototypes using Natural Language Processing (NLP) and multi-modal Large Language Models (LLMs). We introduce an end-to-end system that parses GDDs, extracts structured game specifications, and synthesizes Unity-compatible C# code that implements the core mechanics, systems, and architecture defined in the design documentation. Our approach combines a fine-tuned LLaMA-3 model specialized for Unity code generation with a custom Unity integration package that streamlines the implementation process. Evaluation results demonstrate significant improvements over baseline models, with our fine-tuned model achieving superior performance (4.8/5.0 average score) compared to state-of-the-art LLMs across compilation success, GDD adherence, best practices adoption, and code modularity metrics. The generated templates demonstrate high adherence to GDD specifications across multiple game genres. Our system effectively addresses critical gaps in AI-assisted game development, positioning LLMs as valuable tools in streamlining the transition from game design to implementation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
