Überarbeitung der Händler-NPCs: Ein neues Spielerlebnis
Händler-NPCs interaktiver machen für ein immersives Spielerlebnis.
Byungjun Kim, Minju Kim, Dayeon Seo, Bugeun Kim
― 10 min Lesedauer
Inhaltsverzeichnis
- Die Rolle der Kaufmann-NPCs in Spielen
- Identifizierung der Probleme mit aktuellen Kaufmann-NPCs
- Passive Preisgestaltung
- Passive Kommunikation
- Einführung grosser Sprachmodelle
- Entwicklung des Kaufmann-Frameworks
- Bewertungsmodul
- Verhandlungsmodul
- Durchführung von Experimenten
- Feintuning-Methoden
- Ergebnisse der Experimente
- Leistung des Bewerters
- Leistung des Verhandlers
- Umgang mit unregelmässigen Fällen
- Geschenke
- Improvisationen
- Rechenfehler
- Die Zukunft der Kaufmann-NPCs
- Fazit
- Originalquelle
- Referenz Links
In der Welt der Videospiele spielen Nicht-Spieler-Charaktere (NPCs) eine wichtige Rolle, um die Spielerfahrung interessant zu gestalten. Unter ihnen sind die Kaufmann-NPCs besonders wichtig, da sie den Kauf und Verkauf von Gegenständen ermöglichen. Viele dieser Kaufmann-NPCs verhalten sich jedoch ziemlich langweilig, bieten feste Preise und wenig Interaktion mit den Spielern. Stell dir vor, du gehst in einen Laden und der Verkäufer starrt nur auf dich, ohne ein Wort zu sagen. Langweilig, oder? Das hat zu einem neuen Ansatz geführt, um diese Händler lebendiger und interaktiver zu gestalten.
Das Ziel, die Kaufmann-NPCs zu verbessern, besteht darin, zu imitieren, wie echte Händler in der realen Welt agieren. Im Gegensatz zu den aktuellen Skript-Dialogen und unveränderlichen Preisen würde ein aktiverer Kaufmann-NPC Preise verhandeln und sich in bedeutungsvolle Gespräche einbringen. Das bedeutet, dass die Spieler nicht einfach nur einen Knopf drücken, um einen Gegenstand zu kaufen, sondern die Möglichkeit haben, mit dem Händler zu plaudern, über Preise zu diskutieren und vielleicht sogar ein wenig zu feilschen.
Um dies zu erreichen, haben Entwickler auf grosse Sprachmodelle (LLMs) zurückgegriffen, eine Art künstlicher Intelligenz, die darin brilliert, menschenähnlichen Text zu verstehen und zu generieren. Diese Modelle können helfen, eine dynamischere Interaktion zwischen Spielern und Kaufmann-NPCs zu schaffen. Die Idee ist einfach: Mach die Händler smarter, damit sie besser mit den Spielern interagieren und auf deren Bedürfnisse reagieren können.
Die Rolle der Kaufmann-NPCs in Spielen
Kaufmann-NPCs haben eine einzigartige Funktion in vielen Open-World-Rollenspielen. Sie dienen als Schnittstellen für den Austausch von Gegenständen, ähnlich wie wir im Supermarkt oder in einem gemütlichen Laden einkaufen. Allerdings fehlt es oft an Tiefe in der Interaktion dieser NPCs mit den Spielern. Die Spieler finden sich normalerweise in einem einseitigen Gespräch wieder, bei dem ihnen einfach eine Liste von Gegenständen und Preisen präsentiert wird.
Wenn ein Spieler beispielsweise ein glänzendes Schwert kaufen möchte, klickt er darauf, sieht den Preis und tätigt den Kauf, ohne echte Interaktion. Es ist unkompliziert, fühlt sich aber nicht persönlich an. In der realen Welt ist Einkaufen oft ein Dialog voller Fragen und Verhandlungen. Händler können die Preise je nach Nachfrage anpassen und mit den Kunden sprechen, um deren Bedürfnisse besser zu verstehen. Wenn Kaufmann-NPCs interaktiver werden, können die Spieler eine reichere Erfahrung geniessen, die das Einkaufsverhalten im echten Leben imitiert.
Identifizierung der Probleme mit aktuellen Kaufmann-NPCs
Die Herausforderung mit aktuellen Kaufmann-NPCs lässt sich auf zwei Hauptprobleme reduzieren: passive Preisgestaltung und passive Kommunikation.
Passive Preisgestaltung
Bei der passiven Preisgestaltung halten sich die Händler an feste Preise, ohne Verhandlungsspielraum. Stell dir vor, du gehst in einen Laden und das Preisschild ändert sich nie, egal was passiert. In der realen Welt passen Verkäufer die Preise oft an Faktoren wie Verfügbarkeit, Nachfrage und Kundenverhalten an. Im Gegensatz dazu setzen Spieleentwickler oft strenge Preisrichtlinien, die sich nicht ändern.
Dieses starre Preissystem kann das Spielerlebnis weniger authentisch erscheinen lassen. Schliesslich schätzen die Spieler die Herausforderung, einen besseren Deal auszuhandeln oder herauszufinden, dass Feilschen zu einem besseren Preis führen kann. Um Kaufmann-NPCs interessanter zu gestalten, ist es wichtig, ihnen die Freiheit zu geben, die Preise je nach verschiedenen Umständen anzupassen, ähnlich wie echte Händler, die den Wert ihrer Waren vor dem Verkauf bewerten.
Passive Kommunikation
Das zweite Problem ist, wie Kaufmann-NPCs mit den Spielern kommunizieren. Derzeit verlassen sich viele Händler auf vorgefertigte Nachrichten, die keine immersive Erfahrung schaffen. Spieler interagieren mit Kaufmann-NPCs durch vorgefertigte Dialoge, die nicht auf individuelle Bedürfnisse reagieren. Es ist, als würde man mit einem Roboter sprechen, der nur ein paar Sätze sagen kann.
In der realen Welt ist Kommunikation fliessend und beinhaltet einen Dialog. Spieler würden eine interaktivere Erfahrung geniessen, wenn sie Fragen zu Gegenständen stellen, personalisierte Antworten erhalten und in Verhandlungen treten könnten, ähnlich wie bei einem echten Einkaufserlebnis.
Einführung grosser Sprachmodelle
Wie können Entwickler also diese Probleme beheben? Die Antwort liegt in grossen Sprachmodellen (LLMs). Diese Modelle sind auf riesigen Textmengen trainiert und können menschenähnliche Antworten generieren. Durch die Integration von LLMs mit Kaufmann-NPCs können Entwickler eine reichhaltigere Erfahrung schaffen, in der die NPCs die Preise dynamisch anpassen und sich in natürlichen Gesprächen engagieren können.
Denke an LLMs als das Gehirn eines NPCs. Sie können dem Händler helfen, die Absicht des Spielers zu verstehen, Fragen zu beantworten und sogar Preisvariationen basierend auf den Eigenschaften oder bisherigen Einkäufen des Spielers vorzuschlagen. Das Ziel ist es, den Kaufmann-NPC ansprechender und anpassungsfähiger zu machen, genau wie ein cleverer Verkäufer, der sein Sortiment und seine Kunden gut kennt.
Entwicklung des Kaufmann-Frameworks
Um die Idee eines aktiveren Kaufmann-NPCs zum Leben zu erwecken, wurde ein Framework vorgeschlagen, das sich auf zwei Hauptkomponenten konzentriert: ein Bewertungsmodul und ein Verhandlungsmodul.
Bewertungsmodul
Das Bewertungsmodul ist dafür verantwortlich, den Wert von Gegenständen zu bestimmen. Anstatt sich auf fixe Preise zu verlassen, ermöglicht dieses Modul dem Händler, den Wert eines Gegenstandes basierend auf seinen Eigenschaften und den aktuellen Markttrends zu bewerten.
Das ist ähnlich, wie ein Juwelier den Wert eines Diamanten beurteilt. Das Bewertungsmodul verwendet LLMs, um die Beschreibungen von Gegenständen zu analysieren und einen Verkaufspreis zu ermitteln. Diese dynamische Preisgestaltung kann das Einkaufserlebnis für die Spieler viel interessanter machen, die dann einen Preis basierend auf der Einschätzung des Bewerters aushandeln können.
Verhandlungsmodul
Das Verhandlungsmodul arbeitet eng mit dem Bewertungsmodul zusammen. Sobald ein Spieler Interesse an einem Gegenstand zeigt, tritt der Verhandler in einen Dialog über den Preis ein. Dieses Modul nutzt LLMs, um Gespräche zu erleichtern und verschiedene Taktiken anzuwenden, um die Spieler zum Kauf von Gegenständen zu überzeugen.
Wenn ein Spieler beispielsweise ein Schwert kaufen möchte, könnte der Verhandler so etwas sagen wie: "Ich kann dir dieses Schwert für 100 Gold anbieten, aber wenn du auch einen Schild kaufst, kann ich den Preis auf 90 Gold senken." Dieses Hin und Her hält die Spieler nicht nur beschäftigt, sondern schafft auch ein Gefühl der Zufriedenheit, wenn sie es schaffen, einen guten Deal auszuhandeln.
Durchführung von Experimenten
Um sicherzustellen, dass diese Module effektiv funktionieren, wurden eine Reihe von Experimenten durchgeführt. Der Fokus lag darauf, verschiedene Trainingsmethoden zu vergleichen, um herauszufinden, welche zu den besten Ergebnissen für sowohl Bewerter als auch Verhandler führten. Hier ist eine kurze Übersicht, was getestet wurde:
Feintuning-Methoden
Es wurden zwei Haupttrainingsmethoden untersucht: überwachtes Feintuning (SFT) und Wissensdestillation (KD). SFT verbessert die Leistung eines Modells, indem es auf einem spezifischen Datensatz trainiert wird, während KD Wissen von einem grösseren Modell auf ein kleineres überträgt, sodass kleinere Modelle dennoch effektiv arbeiten können, ohne massive Rechenressourcen zu benötigen.
Die Experimente ergaben, dass SFT-Methoden, insbesondere wenn sie auf kleinere Sprachmodelle angewendet wurden, effektiv waren, um zuverlässige Bewerter zu erstellen. Ähnlich zeigten KD-Methoden ebenfalls vielversprechende Ergebnisse und belegten, dass kleinere Modelle überzeugende Dialoge erzeugen können, ohne hohe Rechenanforderungen zu stellen.
Ergebnisse der Experimente
Die Ergebnisse der Experimente lieferten wertvolle Einblicke. Das Bewertungsmodul konnte die Preise von Gegenständen mit hoher Genauigkeit schätzen, während das Verhandlungsmodul die Fähigkeit zeigte, die Spieler in bedeutungsvolle und überzeugende Dialoge einzubinden.
Leistung des Bewerters
Die Bewerter, die LLMs verwendeten, konnten Verkaufspreise generieren, die den tatsächlichen Werten der Gegenstände sehr nahe kamen. Das bedeutet, dass die Spieler Vertrauen in die Angebote des Händlers haben konnten, was sie wahrscheinlicher in Transaktionen einbindet. Spieler, die verhandeln konnten, stellten oft fest, dass sie Preise für Gegenstände sichern konnten, die fair und gerechtfertigt fühlten.
Leistung des Verhandlers
Auf der Verhandlungsseite zeigten die Ergebnisse, dass LLMs in der Lage waren, überzeugende Argumente zu formulieren und einen engagierenden Dialog aufrechtzuerhalten. Die Fähigkeit des Verhandlers, verschiedene Taktiken anzuwenden, um die Spieler zu überzeugen, zeigte die Vielseitigkeit von LLMs, um eine interaktivere Erfahrung zu schaffen.
Die Spieler schätzten die Möglichkeit zu verhandeln und hatten das Gefühl, dass ihre Handlungen einen echten Einfluss auf das Ergebnis hatten – eine Erfahrung, die die Immersion und den Spass erhöht.
Umgang mit unregelmässigen Fällen
Während die Experimente positive Ergebnisse lieferten, traten auch einige Unregelmässigkeiten auf. Entwickler müssen sich dieser potenziellen Probleme bewusst sein, wenn sie Kaufmann-NPCs gestalten. Beispielsweise:
Geschenke
Händler boten manchmal zusätzliche Gegenstände oder Boni an, um Käufe zu fördern. Während dies reale Verkaufsstrategien widerspiegelt, könnte es das Gleichgewicht des Spiels stören, wenn es nicht richtig verwaltet wird. Entwickler müssen entscheiden, ob sie solches Verhalten zulassen und wie es in die Regeln des Spiels passt.
Improvisationen
Es gab Fälle, in denen Händler Gegenstände vorschlugen, die nicht existierten, oder merkwürdige Bemerkungen über ihren Lagerbestand machten. Dieses Phänomen, bekannt als "Halluzination", tritt typischerweise bei kleineren Modellen auf, die keine robuste Ausbildung haben. Entwickler sollten sich auf unerwartete Ausgaben vorbereiten und Systeme implementieren, um die Legitimität vorgeschlagener Gegenstände zu überprüfen.
Rechenfehler
In einigen Fällen hatten Händler Schwierigkeiten mit grundlegenden Berechnungen während der Verhandlungen. Beispielsweise konnten sie den Gesamtpreis für mehrere Gegenstände falsch angeben. Dies kann zu Verwirrung bei den Spielern führen und den Verhandlungsprozess stören. Entwickler sollten in Betracht ziehen, externe Werkzeuge zur Unterstützung bei Berechnungen zu verwenden, um dieses Problem zu vermeiden.
Die Zukunft der Kaufmann-NPCs
Die Transformation von Kaufmann-NPCs in aktivere und ansprechendere Charaktere kann das gesamte Spielerlebnis erheblich verbessern. Während die Entwickler weiterhin ihre Frameworks verfeinern und fortschrittliche Technologien wie LLMs nutzen, werden die Interaktionen zwischen Spielern und Händlern authentischer und unterhaltsamer.
Stell dir vor, du gehst in einen virtuellen Markt, in dem jeder Händler dich mit einem warmen Lächeln begrüsst, sich an deine vorherigen Käufe erinnert und personalisierte Angebote macht. Die Möglichkeiten sind endlos, und während sich die Technologie weiterentwickelt, werden auch die Erfahrungen, die wir in den Spielwelten haben.
Fazit
Zusammenfassend lässt sich sagen, dass die Überarbeitung der Art und Weise, wie Kaufmann-NPCs mit Spielern interagieren, zu einem lebendigen und immersiven Spielerlebnis führen kann. Indem Entwickler die Probleme der passiven Preisgestaltung und Kommunikation angehen, können sie lebhafte Händler schaffen, die Preise verhandeln und reichhaltige Interaktionen ermöglichen. Mit Hilfe grosser Sprachmodelle ist es möglich, intelligente Kaufmann-NPCs zu gestalten, die echte Händler nachahmen.
Während sich die Gaming-Landschaft weiterentwickelt, haben Entwickler die Möglichkeit, Charaktere auf eine Weise zum Leben zu erwecken, die einst nur unserer Vorstellungskraft vorbehalten war. In einer Welt, in der jede Interaktion echt wirken kann, werden die Spieler sicher in eine reichhaltigere Erzählung eintauchen und jeden Einkauf zu einem Abenteuer machen, anstatt zu einer lästigen Pflicht.
Also, das nächste Mal, wenn du in einem Spiel einkaufen gehst, denk an die Möglichkeiten: ein gesprächiger Händler, der sich an deine Vorlieben erinnert, Schnäppchen anbietet und vielleicht sogar einen Witz oder zwei erzählt. Das wäre Gaming-Gold!
Titel: Leveraging Large Language Models for Active Merchant Non-player Characters
Zusammenfassung: We highlight two significant issues leading to the passivity of current merchant non-player characters (NPCs): pricing and communication. While immersive interactions have been a focus, negotiations between merchant NPCs and players on item prices have not received sufficient attention. First, we define passive pricing as the limited ability of merchants to modify predefined item prices. Second, passive communication means that merchants can only interact with players in a scripted manner. To tackle these issues and create an active merchant NPC, we propose a merchant framework based on large language models (LLMs), called MART, which consists of an appraiser module and a negotiator module. We conducted two experiments to guide game developers in selecting appropriate implementations by comparing different training methods and LLM sizes. Our findings indicate that finetuning methods, such as supervised finetuning (SFT) and knowledge distillation (KD), are effective in using smaller LLMs to implement active merchant NPCs. Additionally, we found three irregular cases arising from the responses of LLMs. We expect our findings to guide developers in using LLMs for developing active merchant NPCs.
Autoren: Byungjun Kim, Minju Kim, Dayeon Seo, Bugeun Kim
Letzte Aktualisierung: Dec 15, 2024
Sprache: English
Quell-URL: https://arxiv.org/abs/2412.11189
Quell-PDF: https://arxiv.org/pdf/2412.11189
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.
Referenz Links
- https://github.com/elulab/silkroad
- https://github.com/elulab/mart
- https://www.kaggle.com/datasets/ammaruddinqureshi/world-of-warcraft-classic-items-dataset
- https://openrouter.ai
- https://github.com/elu-lab/silkroad
- https://orcid.org/#1
- https://www.latex-project.org/
- https://github.com/elu-lab
- https://www.youtube.com/watch?v=VqVgXp-7h8A&t=706s
- https://wowpedia.fandom.com/wiki/Vendor