Un equipo de investigadores de la Universidad de Nanjing y el Laboratorio de IA de Shanghái presentó AutoTavern, un sistema en el que agentes de inteligencia artificial basados en modelos de lenguaje (LLM) desarrollan, de forma autónoma, un simulador y un jugador de élite para Hearthstone Battlegrounds, el auto-battler de ocho jugadores de Blizzard. El trabajo muestra que los agentes pueden llevar un problema complejo desde los datos crudos hasta un sistema que compite con personas en el juego real.
El sistema se basa en un principio de mejora anclada a la realidad: cada afirmación pasa por cinco compuertas de verificación antes de incorporarse a una memoria de investigación compartida, y las partidas en vivo cierran el ciclo de retroalimentación. Así, los agentes no solo mejoran el simulador y las políticas de juego, sino también su propio proceso de investigación, al convertir los errores detectados en lecciones y nuevas reglas.
En 20 días, AutoTavern construyó TavernGym, la primera reproducción fiel y completa del juego en su versión 36.6.3, con 978 objetos implementados y capacidad para simular entre 190 y 280 partidas por segundo en un solo núcleo. También generó 23 versiones de TavernAgent, un transformer de 18 millones de parámetros entrenado con PPO contra oponentes calibrados con estadísticas de jugadores reales.
TavernAgent juega partidas completas en la escalera en vivo por sí solo: su rating subió de 6,000 a cerca de 15,000, y en las últimas 20 partidas promedia un puesto de 1.60 con 80% de primeros lugares, superando a los diez mejores jugadores del servidor en todas las métricas. En TavernBench, un conjunto de 960 tareas, el agente responde correctamente el 91% de las tareas de juego, frente al 63% del mejor LLM, y decide en 0.03 segundos, mientras que los modelos de lenguaje necesitan hasta 26 segundos.
El estudio concluye que los agentes LLM construyen mucho mejor de lo que juegan: los mismos modelos que desarrollaron el sistema son incapaces de igualar su rendimiento en tiempo real. Los investigadores abrirán el código de TavernBench y TavernGym para futuras investigaciones.