优质游戏源码训练或全面提升AI能力

背景

近期在 LINUX DO 社区中，多位用户分享了使用 Fable 5、Grok 4.5、DeepSeek V4 正式版灰度测试以及 Kimi K3 等模型制作游戏项目的体验。这些模型生成的游戏从过去的“Demo 级别”显著进步到接近“EA 测试版”的质量，甚至能够独立完成具备完整架构的中大型项目，用户只需在构建后测试并反馈 bug 和改进想法即可。这种变化引发了关于训练数据对 AI 能力提升可能性的猜想——是否大量优质、标注完整的游戏项目源码（如《小丑牌》等）被用于训练，从而大幅提升了模型对于大型项目整体理解、审美、真实世界认知等非代码任务的能力。

核心内容

原文作者在体验了 L 站上多款由 AI 生成的游戏（例如用 Grok 4.5 制作的缝合卡牌游戏，以及 DeepSeek V4 和 Kimi K3 生成的小游戏）后，观察到两个关键变化：

1. AI 已能部分理解中大型项目架构，不再是仅能生成 Demo 或需要用户强监督才能完成的项目。例如，一个用 Grok 4.5 制作的卡牌游戏，作者甚至玩到了“通关”，并给出了全收集截图。这表明 AI 输出的游戏质量已接近可玩的 EA 测试版。

2. AI 对长任务和整体项目的理解能力有了巨大提升。过去，用户需要将需求写成文档，让 AI 每做一个模块就重新读取一遍，即便如此 AI 仍会遗漏大量需求，用户必须自行测试并一点点修改。现在，从 Fable 5 开始，模型不再需要用户强监督，用户只需在构建完成后提出测试出的 bug 和改进想法即可。

作者由此提出一个猜想：Fable 5 等模型之所以在写游戏性能上大幅提升，可能是因为训练时使用了大量优质且完整的游戏源码（如《小丑牌》等）进行标注训练。作者认为，这种高质量的游戏项目代码数据不仅提升了 AI 写游戏的能力，还可能间接提升了 AI 的审美、对真实世界的理解、对大型项目的总体规划和理解能力等。由于训练模型成本极高，作者无法验证这一猜想，但希望分享出来能帮助开拓思路，并引用“很多论文已明确代码对非代码任务性能带来提升”作为佐证。

关键要点

• AI 生成的游戏质量从“Demo”跃升至“EA 测试版”，用户只需提出 bug 和改进想法，不再需要强监督。
• 多个模型（Fable 5、Grok 4.5、DeepSeek V4、Kimi K3）在游戏项目生成上表现一致，显示整体能力提升。
• 过去使用 AI 写大型项目时，需要模块化分工、反复读取需求文档，仍有大量遗漏；现在模型能一次性理解整体架构。
• 作者猜想：Fable 5 等模型训练时可能使用了大量标注好的优质游戏源码（如《小丑牌》），从而提升了写游戏能力。
• 进一步推测：这种训练数据不仅提升写游戏性能，还可能提升 AI 的审美、真实世界理解、大型项目规划等非代码能力。
• 论文已证实代码训练对非代码任务有正向影响，支持该猜想。
• 作者无法验证，但希望分享给社区成员作为思路参考。

意义与影响

这一猜想如果成立，将对 AI 训练策略产生深远影响。传统上，代码训练数据主要被视为提升编程能力的手段，但若优质游戏项目源码能同时提升审美、理解世界、规划大型项目等综合能力，意味着训练数据的“质量”和“完整性”比单纯“代码量”更为关键。这将推动模型开发者更注重收集具有完整架构、经过精心标注的“项目级”代码数据，而非零散的代码片段。对于社区爱好者而言，这也提供了一个新的尝试方向：通过提供高质量、有组织的项目源码（如游戏、应用等）作为训练数据，可能间接提升模型在更广泛任务上的表现。尽管作者无法验证，但这一思路具有启发价值，值得后续实验与讨论。