AI已經能實時生成遊戲世界了,傳統遊戲引擎還有必要嗎?3 個世界模型實測指標對比

摘要:世界模型擅長生成可交互的環境畫面,傳統遊戲引擎擅長執行精確規則、物理模擬和狀態管理。兩類技術處在不同層面,最合理的方向是組合使用。

結論先行:傳統遊戲引擎仍然必要。Genie 3、WHAM-RT/WHAMM、Oasis 三個代表性世界模型已經能在 10 到 24 FPS 的幀率下實時生成可操作的畫面,但它們的連續一致性以秒或分鐘計,並且在物體記憶、傷害結算、生命值統計等規則層面會出錯。遊戲引擎提供的是確定性的規則執行、物理計算、狀態持久化和多人同步,這些正是商業遊戲運行的底座。現階段的世界模型適合承擔環境生成、視覺預測和內容創作輔助,引擎繼續負責核心規則,兩者組合成混合架構。

下文先說明世界模型與傳統引擎在運行邏輯上的差別,再用三個模型的公開指標判斷它們走到了哪一步,然後拆解 WHAMM 公開披露的具體失敗案例,接着列出成熟引擎承擔的工程職責,最後給出混合架構的分工方式、場景選擇和一段可運行的代碼示例。

ai-world-models-vs-traditional-game-engines-zh-hant-image-0

To Know:世界模型與遊戲引擎術語預備

術語 解釋
世界模型 根據當前畫面和玩家操作,預測並生成下一時刻環境狀態的 AI 模型
FPS 本文指每秒呈現的畫面幀數;在遊戲類型語境中也指第一人稱射擊遊戲
分辨率 畫面橫向和縱向的像素數量,例如 640×360、720p
上下文窗口 模型預測後續狀態時能參考的歷史信息範圍,世界模型裏常以秒或幀計
自迴歸生成 每一幀都以前面生成的幀爲依據繼續生成,誤差會逐幀累積
物理引擎 計算碰撞、運動、受力等物理約束的系統
狀態持久化 把玩家、任務、世界對象的狀態保存下來,隨時可以讀取和繼續
多人同步 讓不同玩家看到並操作同一份一致遊戲狀態的機制
確定性 相同輸入總是得到相同結果,是調試、回放和聯機的前提
遊戲引擎 組織渲染、輸入、物理、動畫、網絡和資源管理的開發與運行系統
混合架構 由傳統程序系統掌管規則和狀態、由生成模型提供內容的組合方案

1 AI 實時生成遊戲世界:世界模型與遊戲引擎的運行邏輯差異

1.1 世界模型從生成素材走向生成世界

過去 AI 在遊戲開發中主要生成貼圖、模型、配音等素材,素材最終仍交給引擎組裝運行。世界模型改變了這個分工:模型直接接收玩家的鍵盤或手柄輸入,預測下一幀畫面,循環往復,形成一個“可以玩”的環境。Google DeepMind 的 Genie 3、微軟研究院的 Muse 系列(WHAM-RT/WHAMM)、Decart 與 Etched 的 Oasis 是這一方向的三個代表。

傳統遊戲的運行邏輯是開發者預先定義場景、模型、規則和物理系統,玩家操作觸發預設邏輯,引擎計算出新狀態後再渲染畫面。世界模型的邏輯是“觀察 + 動作 → 預測下一幀”,規則隱含在訓練數據學到的視覺動態裏。前者的畫面由狀態計算而來,後者的畫面本身就是模型對狀態的近似。

1.2 AI 寫代碼和 AI 生成畫面屬於兩條路線

2026 年 11 月 9 日,Anthropic 工程師 Felix Rieseberg 發佈的 Saltline 常被拿來和世界模型一起討論。這是一款可在瀏覽器運行的小規模第一人稱射擊可玩原型,場景是雨夜集裝箱港口,包含一個任務關卡。按開發者本人自述的估算,Claude Fable 5.2 在單次提示詞、無人工反饋的條件下用了約 8 小時,消耗約 4.45 億輸入 Token(大量爲緩存讀取)和約 270 萬輸出 Token,按 API 定價估算約 550 美元;這些數字來自開發者公開帖子,屬於自述估算。

Saltline 的“3A”只是開發者設定的實驗目標和視覺類比。它的技術路線是 AI 生成約 1.4MB 的 HTML/JavaScript 代碼,模型、紋理和聲音都由代碼與 Shader 程序化生成,運行時由瀏覽器通過 Three.js 和 WebGL 在本地渲染。這條路線裏,AI 在開發階段工作,運行階段仍是確定性的程序,本質上沿用了“引擎式”運行邏輯。世界模型則讓 AI 在運行階段逐幀生成畫面,兩者的成本結構和可靠性截然不同。

ai-world-models-vs-traditional-game-engines-zh-hant-image-1

2 三種世界模型實時生成遊戲世界的技術指標

2.1 三個模型的公開指標對比

下表中的數字均爲各團隊在官方技術演示環境下公佈的指標,測試條件互不相同,適合判斷量級,不適合直接橫向排名。

指標 Genie 3(Google DeepMind) WHAM-RT/WHAMM(Microsoft Research) Oasis(Decart & Etched)
公佈時間 2025 年 8 月 5 日 2025 年 2024 年 10 月
演示環境 文本提示生成的通用環境 類 Quake II 交互環境 類方塊沙盒世界
幀率 最高 24 FPS 10 FPS 以上 20 FPS
分辨率 720p 640×360 官方未作爲重點指標
一致性/記憶 環境保持數分鐘一致,視覺記憶約回溯一分鐘 上下文約 0.9 秒(10 FPS 下約 9 幀) 依靠 Dynamic Noising 等技術抑制誤差累積
模型規模/開放度 未公開權重 研究演示 500M 參數,開源代碼與權重
生成方式 實時自迴歸世界生成 基於 MaskGIT 的生成 Transformer 潛空間擴散 + 自迴歸

2.2 Genie 3:面向通用環境的可控世界生成

Genie 3 的目標是通用世界模型:用戶用文字描述一個世界,就能實時進入探索,向前走模型生成前方,轉身模型生成新視角。它還支持 Promptable World Events,用文字提示改變天氣、出現物體等世界事件。Google 也展示了 Genie 3 與 SIMA 智能體結合的實驗,智能體在生成的世界裏通過導航動作完成目標,這說明世界模型有望成爲訓練智能體的環境。

2026 年 1 月 29 日,基於 Genie 3 的實驗性網頁應用 Project Genie 面向美國地區 18 歲以上的 Google AI Ultra 訂閱用戶開放,提供世界草繪、探索和重混功能。官方披露每次生成體驗有 60 秒限制,角色控制可能有延遲,物理規律不一定準確,Promptable World Events 當時尚未集成。

2.3 WHAM-RT/WHAMM:用少量數據遷移到新遊戲

微軟的 Muse(World and Human Action Model)最初用 Ninja Theory 的 Bleeding Edge 訓練,數據包括超過 10 億張遊戲圖像和控制器動作,約合 7 年連續遊戲時間。實時版本把同類技術遷移到 Quake II,新遊戲只用了約一週經過整理的遊戲數據,生成速度達到 10 FPS 以上,分辨率提升到 640×360。

“一週數據”描述的是遷移到新遊戲時使用的數據規模,與訓練時長或從零訓練的成本無關。它的意義在於:已有世界模型可以用相對少量的新數據適配新的交互環境,這是降低數據門檻的重要信號。

2.4 Oasis:開源的 20 FPS 實時交互實驗

Oasis 由空間自編碼器、基於 Transformer 的潛空間擴散主幹、自迴歸生成和用戶輸入條件控制組成,支持移動、跳躍、拾取物品和破壞方塊。官方給出的實時性約束很直觀:20 FPS 意味着每幀 50 毫秒,要達到 25 FPS 則需在約 0.04 秒內生成一幀。

Oasis 是技術演示,未獲得微軟或 Mojang 的 Minecraft 授權。官方也表示,要進一步提速並降低大規模服務成本,需要更高效的推理基礎設施。這點揭示了世界模型的成本特徵:每一幀都是一次推理,玩家玩多久,GPU 就要算多久。

3 世界模型生成的遊戲世界爲什麼會出錯

3.1 WHAMM 公開披露的具體失敗案例

微軟在 WHAMM 技術文章中詳細列出了模型的侷限,這份清單是判斷世界模型成熟度最有價值的一手證據。

失敗現象 具體表現 根源
對象遺忘 超出視野的物體會被模型忘掉 上下文僅約 0.9 秒(9 幀)
敵人憑空消失/出現 玩家低頭看地面再抬頭,敵人可能消失或重新出現 畫面之外沒有持久化的對象狀態
生命值統計不準 血量數字可能出現錯誤變化 數值由畫面“猜”出,缺少計數邏輯
敵人交互錯誤 傷害計算與命中判定存在偏差 規則從數據中近似學習,缺少確定性結算
關卡邊界凍結 只訓練了 Quake II 一個關卡的一部分,到達訓練數據終點後生成可能凍結 生成範圍受訓練數據覆蓋
大規模延遲 大量用戶同時在線體驗時可能出現明顯延遲 每幀實時推理的服務壓力

微軟對此的定性很準確:這是生成式模型對環境的近似,玩家是在體驗模型,而原版 Quake II 的完整體驗仍由原遊戲提供。

3.2 一致性問題來自自迴歸結構本身

3.2.1 記憶長度決定世界能“記住”多久

世界模型只能依據上下文窗口裏的歷史幀預測未來。WHAMM 的 0.9 秒窗口意味着一個敵人離開視野約 9 幀後,模型就失去了它存在的依據。Genie 3 把視覺記憶延伸到約一分鐘、一致性維持到數分鐘,已是明顯進步,但遊戲常需要玩家幾小時後回到同一房間仍看到被打開的箱子,這要求的記憶尺度高出幾個數量級。

3.2.2 規則以“看起來合理”爲目標

模型的訓練目標是讓下一幀看起來合理。扣血、彈藥計數、任務進度這類需要精確累加的規則,在畫面上只佔幾個像素,模型很容易把它們生成得“像樣但錯誤”。引擎裏一行 hp -= damage 就能保證正確的事情,在世界模型裏需要大量數據和結構設計去逼近。

3.3 Genie 3 的動作空間與交互時長限制

Genie 3 官方承認的限制包括:智能體可直接執行的動作範圍有限,多個獨立智能體之間的複雜交互仍有困難,現實地理位置無法精確還原,文字渲染不穩定,連續交互主要以數分鐘計。動作空間有限意味着複雜的技能組合、揹包操作、對話分支難以直接表達;多智能體交互困難則直接影響聯機和羣體 AI 場景。

4 傳統遊戲引擎提供的核心能力

4.1 以 Unreal Chaos Physics 爲例看引擎的工程深度

Unreal Engine 的 Chaos Physics 系統覆蓋剛體動力學、破壞系統、網絡物理、布料模擬、布娃娃系統、車輛物理、流體模擬、物理動畫和頭髮模擬。這些模塊的價值在於可控、可重複、可調試:同一顆子彈以同樣角度命中同一面牆,碎片的計算結果可以復現,開發者能逐幀定位問題,網絡物理還能讓多臺機器上的結果保持一致。

4.2 遊戲引擎承擔的八類系統職責

引擎系統 主要作用 世界模型目前的對應能力
場景系統 管理地圖、對象和層級 由畫面隱式表達,對象缺少獨立身份
物理系統 處理碰撞、運動和受力 從數據中近似學習,準確性有限
動畫系統 管理角色骨骼和動作 畫面級生成,難以精確控制骨骼
網絡系統 處理多人同步 多智能體複雜交互仍是難點
資源系統 管理模型、貼圖和音效 資源即模型權重,難以單獨替換
狀態管理 保存玩家、任務和世界狀態 受上下文窗口限制,WHAMM 約 0.9 秒
渲染系統 穩定輸出指定畫質的畫面 720p/24 FPS 量級,受推理算力約束
調試工具 定位錯誤和性能瓶頸 輸出爲概率生成,難以逐步斷點調試

4.3 確定性是商業遊戲的生命線

確定性讓遊戲可以錄製回放、做自動化測試、復現玩家提交的 Bug,也是幀同步聯機和反作弊的基礎。世界模型的輸出帶有隨機性,同一輸入可能生成不同結果,這對創作探索是優點,對需要公平競技、存檔讀檔、平衡性調優的商業遊戲則是障礙。從這個角度看,引擎和世界模型的差異不在畫質,而在“結果是否可承諾”。

ai-world-models-vs-traditional-game-engines-zh-hant-image-2

5 世界模型與傳統遊戲引擎的融合:混合架構

5.1 混合架構的分工原則

混合架構的核心原則是:凡是需要被“承諾”的東西交給引擎,凡是需要“多樣”和“生成”的東西交給模型。引擎持有權威狀態(血量、揹包、任務、座標、聯機數據),模型負責動態環境、內容生成、NPC 行爲和創作輔助,模型的輸出必須經過引擎校驗後才能寫入狀態。Saltline 已經展示了這種思路的一個變體:大語言模型在開發階段生成全部代碼,運行時完全由確定性程序執行。

ai-world-models-vs-traditional-game-engines-zh-hant-image-3

5.2 用 LLM 驅動 NPC 行爲的極簡示例

下面的示例演示混合架構中最容易落地的一環:引擎保存 NPC 的權威狀態,大語言模型只負責“提議”下一步行爲,引擎按白名單和數值邊界校驗後再執行。接口採用 OpenAI 兼容格式。

import json, openai

client = openai.OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

state = {"npc": "港口守衛", "hp": 80, "player_distance": 12, "alert": False}
prompt = f"根據狀態給出NPC下一步行爲,只輸出JSON,action取值 patrol/chase/talk:{json.dumps(state, ensure_ascii=False)}"

resp = client.chat.completions.create(
    model="YOUR_MODEL_NAME",  # 在控制檯選擇可用模型
    messages=[{"role": "user", "content": prompt}],
)
print(resp.choices[0].message.content)
查看完整實現:引擎校驗 + 模型提議的 NPC 決策循環
import json
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",  # OpenAI 兼容接口,可切換不同模型對比效果
)

ALLOWED_ACTIONS = {"patrol", "chase", "talk", "retreat"}


class EngineState:
    """引擎側的權威狀態:所有數值只在這裏修改"""

    def __init__(self):
        self.npc = {"name": "港口守衛", "hp": 80, "max_hp": 100, "alert": False}
        self.player_distance = 12.0

    def snapshot(self) -> dict:
        return {"npc": self.npc, "player_distance": self.player_distance}


def propose_action(state: dict, model: str) -> dict:
    """讓模型提議行爲,模型只能讀狀態,不能直接改狀態"""
    system = (
        "你是遊戲NPC的決策模塊。只輸出一個JSON對象,"
        '格式:{"action": "patrol|chase|talk|retreat", "line": "一句臺詞"}'
    )
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": json.dumps(state, ensure_ascii=False)},
        ],
        max_tokens=200,
    )
    text = resp.choices[0].message.content.strip()
    try:
        return json.loads(text)
    except json.JSONDecodeError:
        return {"action": "patrol", "line": ""}  # 解析失敗時回退到安全默認行爲


def validate_and_apply(engine: EngineState, proposal: dict) -> str:
    """引擎校驗:白名單 + 規則約束,模型輸出不合法則拒絕"""
    action = proposal.get("action")
    if action not in ALLOWED_ACTIONS:
        action = "patrol"
    if action == "chase" and engine.npc["hp"] < 20:
        action = "retreat"  # 規則由引擎決定,低血量禁止追擊
    if action in {"chase", "retreat"}:
        engine.npc["alert"] = True
    line = str(proposal.get("line", ""))[:60]  # 限制臺詞長度,防止 UI 溢出
    return f"{engine.npc['name']} -> {action}:{line}"


if __name__ == "__main__":
    engine = EngineState()
    proposal = propose_action(engine.snapshot(), model="YOUR_MODEL_NAME")
    print(validate_and_apply(engine, proposal))

這個模式和 WHAMM 的失敗案例形成對照:血量、警戒狀態由引擎保存,模型“忘了”也不會讓敵人憑空消失;模型輸出非法動作時,引擎回退到安全行爲。

🚀 快速開始:搭建 NPC 決策原型時,可以通過 API易 apiyi.com 用同一個 API Key 調用 OpenAI、Claude、Gemini 等模型,新用戶有免費測試額度,便於比較不同模型的臺詞質量、響應延遲和 JSON 輸出穩定性。

5.3 場景推薦:何時選擇世界模型,何時堅持遊戲引擎

5.3.1 適合世界模型的場景

  • 概念驗證與靈感探索:用文字快速生成可走動的世界,驗證美術方向和氛圍,Project Genie 的草繪與重混功能就面向這類需求。
  • 智能體訓練環境:Genie 3 與 SIMA 的實驗說明,生成式世界可爲 AI 智能體提供大量多樣化的訓練場景。
  • 短時互動體驗:一分鐘級別的互動展示、營銷體驗、研究演示,和當前數分鐘的一致性上限相匹配。

5.3.2 必須依賴遊戲引擎的場景

  • 有存檔和長線進度的遊戲:任務、揹包、成長數值需要狀態持久化。
  • 競技與聯機遊戲:需要確定性結算、多人同步和反作弊。
  • 物理玩法驅動的遊戲:破壞、載具、布料等玩法依賴 Chaos Physics 這類可調試系統。
  • 需要上線運營的商業項目:測試、性能分析、補丁更新都依賴引擎工具鏈。

5.3.3 適合混合架構的場景

  • 開放世界的動態內容:引擎負責地形與規則,模型生成支線事件、NPC 對話和環境描述。
  • AI 輔助開發:像 Saltline 那樣由大模型在開發階段生成代碼、Shader 和關卡邏輯,運行時交給確定性程序。

5.4 決策建議:按技術指標判斷成熟度

判斷維度 世界模型當前水平(官方披露) 商業遊戲的典型要求 結論
幀率 10 到 24 FPS 通常 30 FPS 以上,動作遊戲追求 60 FPS 引擎勝出
分辨率 640×360 到 720p 1080p 及以上 引擎勝出
連續一致性 0.9 秒上下文到數分鐘 數十小時的遊玩與存檔 引擎勝出
內容生成速度 文字提示即時生成世界 傳統管線需要建模與關卡製作 世界模型勝出
運行成本 每幀一次 GPU 推理 玩家本地硬件渲染 引擎更省
落地方式 研究原型、實驗性產品 可上線運營 混合架構

💡 選擇建議:如果團隊想先把 AI 接入現有引擎,最穩妥的切入點是 NPC 對話、任務文本、關卡描述這類“可校驗的生成內容”。可以在 API易 apiyi.com 上用統一接口並行測試多個模型,按輸出質量和單次調用成本選型,再決定接入方案。

6 世界模型與遊戲引擎常見問題 FAQ

Q1:什麼是 AI 世界模型?它和視頻生成模型有什麼區別?

世界模型根據當前環境狀態和用戶操作,預測並生成下一時刻的環境。視頻生成模型輸出一段固定視頻,用戶無法中途干預;世界模型每一幀都接收新的輸入,用戶可以持續控制方向和動作,Genie 3 就是這類模型的代表。

Q2:世界模型實時生成遊戲世界和傳統遊戲引擎有什麼本質區別?

引擎依據明確規則計算狀態,再把狀態渲染成畫面,結果可復現;世界模型從數據中學習視覺動態,直接生成畫面,結果帶有隨機性。引擎在確定性、狀態持久化、物理準確性和多人同步上領先,世界模型在內容生成速度和創作門檻上佔優。

Q3:Genie 3、WHAM-RT、Oasis 分別何時公佈?現在能體驗嗎?

Oasis 於 2024 年 10 月公佈,提供開源代碼、500M 參數模型權重和在線體驗。Muse 於 2025 年 2 月公佈,其 Quake II 實時版本隨後發佈。Genie 3 於 2025 年 8 月 5 日發佈,基於它的 Project Genie 於 2026 年 1 月 29 日面向美國地區 18 歲以上的 Google AI Ultra 訂閱用戶開放,單次體驗限 60 秒。

Q4:遊戲團隊現在接入 AI 的成本主要花在哪裏?

取決於 AI 在哪個階段工作。像 Saltline 這樣在開發階段由大模型生成代碼,成本集中在一次性的 API 調用上,開發者自述估算約 550 美元,之後玩家在本地運行不再調用模型。世界模型在運行階段逐幀推理,玩家每次遊玩都持續產生 GPU 成本。用大模型做 NPC 對話等運行時功能時,按調用量計費,可以通過 API易 apiyi.com 的按量計費方式先小規模測試,估算單玩家的調用開銷。

Q5:如何快速給現有遊戲原型加上 AI 驅動的 NPC?

推薦按本文 5.2 節的“模型提議 + 引擎校驗”模式實現:

1. 在 API易 apiyi.com 註冊並獲取 API Key 和免費測試額度;
2. 將示例代碼的 base_url 設爲 `https://api.apiyi.com/v1`,填入可用模型名;
3. 把引擎中的 NPC 狀態序列化爲 JSON 傳給模型,只接受白名單內的動作;
4. 切換不同模型對比延遲與輸出穩定性,再確定線上方案。

Q6:世界模型目前有哪些已知限制?

WHAMM 上下文約 0.9 秒,會遺忘視野外物體,生命值統計和傷害計算存在錯誤,到達訓練數據邊界後生成可能凍結;Genie 3 的連續交互以數分鐘計,動作空間有限,多智能體複雜交互仍有困難;Oasis 官方表示需要更高效的推理基礎設施來提速和降低服務成本。這些限制都指向同一結論:世界模型目前適合作爲內容層,規則層仍需引擎。

7 世界模型 vs 遊戲引擎核心要點 Key Takeaways

  • 指標定位:Genie 3 達 720p/24 FPS,WHAM-RT 爲 640×360/10 FPS 以上,Oasis 爲 20 FPS。
  • 記憶短板:WHAMM 上下文約 0.9 秒,視野外的敵人和物體會被遺忘。
  • 規則短板:生命值、傷害結算等精確規則由畫面近似生成,容易出錯。
  • 引擎價值:物理、狀態持久化、多人同步和調試工具構成商業遊戲底座。
  • 兩條路線:Saltline 是 AI 寫代碼、程序運行;世界模型是 AI 逐幀生成畫面。
  • 融合方向:引擎掌管權威狀態,模型負責環境、內容和 NPC 行爲提議。
  • 上手方式:先從可校驗的 NPC 對話切入,可藉助 API易 apiyi.com 統一接口對比多個模型。

8 總結:傳統遊戲引擎在 AI 世界模型時代的位置

AI 世界模型已經能實時生成可交互的遊戲世界,三個代表模型把幀率推到 10 到 24 FPS、分辨率推到 720p,遷移新遊戲所需的數據也降到約一週。與此同時,WHAMM 的對象遺忘、生命值錯誤、關卡凍結等問題說明,模型生成的是對遊戲的近似體驗,規則、狀態和聯機仍需引擎保障。

未來幾年的主線是混合架構:引擎守住確定性,模型擴展內容的規模和多樣性,開發階段的大模型代碼生成則持續壓縮原型製作週期。對開發團隊而言,最實際的一步是把 AI 接入現有引擎中可校驗的環節,用真實調用數據評估效果和成本。推薦通過 API易 apiyi.com 快速驗證,平臺提供多模型統一接口和新用戶免費額度。

📚 參考資料

  1. Google DeepMind – Genie 3 技術發佈:Genie 3 的幀率、分辨率、一致性及限制
  2. 鏈接: deepmind.google/blog/genie-3-a-new-frontier-for-world-models
  3. 說明: Genie 3 指標與官方承認限制的一手來源

  4. Google – Project Genie 官方公告:基於 Genie 3 的實驗性網頁應用

  5. 鏈接: blog.google/innovation-and-ai/models-and-research/google-deepmind/project-genie
  6. 說明: 開放範圍與 60 秒體驗限制

  7. Microsoft Research – WHAMM 實時世界建模:Quake II 實時演示及侷限

  8. 鏈接: microsoft.com/en-us/research/articles/whamm-real-time-world-modelling-of-interactive-environments
  9. 說明: 0.9 秒上下文、對象遺忘等失敗案例的出處

  10. Microsoft Research – Muse / WHAM 項目:世界與人類動作模型

  11. 鏈接: microsoft.com/en-us/research/project/wham/wham
  12. 說明: Bleeding Edge 訓練數據規模

  13. Decart – Oasis 項目頁:開源實時交互世界模型

  14. 鏈接: oasis-model.github.io
  15. 說明: 500M 參數、20 FPS 與架構細節

  16. Epic Games – Physics in Unreal Engine:Chaos Physics 功能概覽

  17. 鏈接: dev.epicgames.com/documentation/unreal-engine
  18. 說明: 成熟引擎物理系統的能力範圍

  19. Saltline 代碼鏡像與 README:開發者自述數據歸屬說明

  20. 鏈接: github.com/realcodebear/saltline-fable-5.2
  21. 說明: 文件大小與 AI 生成代碼路線的參考

作者: APIYI 技術團隊
技術交流: 歡迎在 API易 apiyi.com 首頁聯繫我們,交流 AI 接入遊戲開發的實踐經驗

發佈留言