它是如何工作的？

架构	示例提示词生成

MarioGPT 是一款经过微调的 GPT2 模型（具体来说是 distilgpt2），它基于《超级马里奥兄弟》和《超级马里奥兄弟：失落关卡》的特定子集进行训练，这些关卡由 视频游戏关卡语料库 提供。MarioGPT 能够根据简单的文本提示生成关卡。虽然这种生成并非完美，但我们认为这已经是一个很好的第一步——能够更可控、更丰富地生成关卡和环境。前向生成：

需求

• Python 3.8+

安装

从 PyPI 安装

pip install mario-gpt

或从源码安装

git clone git@github.com:shyamsn97/mario-gpt.git
python setup.py install

生成关卡

由于我们的模型基于出色的 transformers 库构建，我们将其模型托管于 https://huggingface.co/shyamsn97/Mario-GPT2-700-context-length。

这段代码片段正是生成马里奥关卡所需的最简代码！

from mario_gpt import MarioLM, SampleOutput

# 预训练模型 = shyamsn97/Mario-GPT2-700-context-length

mario_lm = MarioLM()

# 使用 CUDA 加速计算
# import torch
# device = torch.device('cuda')
# mario_lm = mario_lm.to(device)

prompts = ["许多管道、众多敌人、一些方块、高海拔"]

# 生成大小为 1400 的关卡，并将泵送温度提升至约 2.4，以获得更具随机性但又足够可玩的关卡
generated_level = mario_lm.sample(
    prompts=prompts,
    num_steps=1400,
    temperature=2.0,
    use_tqdm=True
)

# 显示字符串列表
generated_level.level

# 显示 PIL 图像
generated_level.img

# 保存图像
generated_level.img.save("generated_level.png")

# 保存文本关卡到文件
generated_level.save("generated_level.txt")

# 在交互式环境中播放
generated_level.play()

# 运行 A* 算法代理
generated_level.run_astar()

# 继续生成
generated_level_continued = mario_lm.sample(
    seed=generated_level,
    prompts=prompts,
    num_steps=1400,
    temperature=2.0,
    use_tqdm=True
)

# 从文本文件中加载
loaded_level = SampleOutput.load("generated_level.txt")

# 从已加载的关卡中播放（应与我们生成的关卡完全一致）
loaded_level.play()
...

训练

训练 MarioGPT 的代码相当简单直接，训练类位于 这里，并附带了一个小型示例 笔记本

import torch
from mario_gpt import MarioDataset, MarioLM, TrainingConfig, MarioGPTTrainer

# 创建基础 GPT 模型
BASE = "distilgpt2"
mario_lm = MarioLM(lm_path=BASE, tokenizer_path=BASE)

# 创建数据集
dataset = MarioDataset(mario_lm.tokenizer)

# 创建训练配置和训练器
config = TrainingConfig(save_iteration=10)
trainer = MarioGPTTrainer(mario_lm, dataset, config=config)

# 训练 100 次迭代！
trainer.train(100, batch_size=1)

请参阅 笔记本 以获取更深入的关卡生成教程

与关卡互动

目前，您可以通过以下两种方式与生成的关卡互动：

1. Hugging Face 演示 — 感谢 multimodalart 的出色工作，您可以在浏览器中实时交互式地生成并播放关卡！此外，我们还提供了 GPU 支持，因此您无需自行拥有 GPU。
2. 使用 play 和 astar 方法。这些方法需要您的电脑上安装 Java（已测试适用于 Java 8 及以上版本）。若需交互式操作，请使用 play() 方法；若需运行 A* 算法，请使用 run_astar 方法。示例如下：

from mario_gpt import MarioLM

mario_lm = MarioLM()

prompts = ["许多管道、众多敌人、一些方块、高海拔"]

generated_level = mario_lm.sample(
    prompts=prompts,
    num_steps=1400,
    temperature=2.0,
    use_tqdm=True
)

# 在交互式环境中播放
generated_level.play()

# 运行 A* 算法代理
generated_level.run_astar()

未来计划

以下是即将添加到代码库的一些功能清单！

• 基础推理代码
• 添加 MarioBert 模型
• 添加交互式模拟器
• 从论文中提取的训练代码
• 从论文中引入的图像补全功能
• 开放式关卡生成代码
• 不同的生成方法（如约束束搜索等）

作者

Shyam Sudhakaran shyamsnair@protonmail.com, https://github.com/shyamsn97, https://shyamsn97.github.io/

Miguel González-Duque migd@itu.dk, https://github.com/miguelgondu

Claire Glanois clgl@itu.dk, https://github.com/claireaoi

Matthias Freiberger matfr@itu.dk, https://github.com/matfrei

Elias Najarro enaj@itu.dk, https://github.com/enajx

Sebastian Risi sebr@itu.dk, https://github.com/sebastianrisi, https://sebastianrisi.com/

引用

如果您将该代码用于学术或商业用途，请务必引用相关论文：

@misc{https://doi.org/10.48550/arxiv.2302.05981,
  doi = {10.48550/ARXIV.2302.05981},
  
  url = {https://arxiv.org/abs/2302.05981},
  
  author = {Sudhakaran, Shyam and González-Duque, Miguel and Glanois, Claire and Freiberger, Matthias and Najarro, Elias and Risi, Sebastian},
  
  keywords = {人工智能 (cs.AI), 计算与语言 (cs.CL), FOS：计算机与信息科学, FOS：计算机与信息科学},
  
  title = {MarioGPT：通过大语言模型实现开放式文本2级生成},
  
  publisher = {arXiv},
  
  year = {2023},
  
  copyright = {arXiv.org 永久、非独家许可}
}

MarioGPT 快速上手指南

MarioGPT 是一个基于微调 GPT-2 模型（distilgpt2）的开源工具，能够根据简单的文本提示生成《超级马里奥》游戏关卡。它支持通过自然语言描述（如“很多管道、很多敌人”）来引导关卡生成，并提供交互式游玩和自动寻路功能。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 3.8 或更高版本
• 前置依赖：
  • 若需使用交互式游玩 (play()) 或 A* 自动寻路 (run_astar()) 功能，必须安装 Java 8 或更高版本。
  • (可选) 若需加速生成过程，建议安装支持 CUDA 的 PyTorch 版本。

安装步骤

您可以选择通过 PyPI 直接安装，或从源代码安装。

方式一：通过 PyPI 安装（推荐）

pip install mario-gpt

提示：国内用户若下载缓慢，可使用清华或阿里镜像源加速：

pip install mario-gpt -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：从源代码安装

git clone git@github.com:shyamsn97/mario-gpt.git
cd mario-gpt
python setup.py install

基本使用

以下是最小化的代码示例，展示如何加载模型、输入提示词并生成一个马里奥关卡。

1. 生成并保存关卡

from mario_gpt import MarioLM, SampleOutput

# 初始化模型
# 模型会自动从 HuggingFace 下载：shyamsn97/Mario-GPT2-700-context-length
mario_lm = MarioLM()

# (可选) 如果有 GPU，可以启用 CUDA 加速
# import torch
# device = torch.device('cuda')
# mario_lm = mario_lm.to(device)

# 定义文本提示词
prompts = ["many pipes, many enemies, some blocks, high elevation"]

# 生成关卡
# num_steps: 生成长度 (默认 1400)
# temperature: 温度参数 (约 2.0-2.4 可生成更具随机性但仍可玩的关卡)
generated_level = mario_lm.sample(
    prompts=prompts,
    num_steps=1400,
    temperature=2.0,
    use_tqdm=True
)

# 查看生成的关卡字符串表示
print(generated_level.level)

# 显示关卡图片 (需要 PIL 支持)
generated_level.img.show()

# 保存图片到本地
generated_level.img.save("generated_level.png")

# 保存关卡文本数据到文件
generated_level.save("generated_level.txt")

2. 交互与测试

生成关卡后，您可以直接在 Python 环境中进行试玩或运行自动代理测试（需已安装 Java）。

# 交互式游玩 (弹出窗口)
generated_level.play()

# 运行 A* 算法代理自动通关测试
generated_level.run_astar()

3. 续写关卡

您可以基于已生成的关卡继续向后生成新的部分：

# 基于之前的生成结果继续生成
generated_level_continued = mario_lm.sample(
    seed=generated_level,
    prompts=prompts,
    num_steps=1400,
    temperature=2.0,
    use_tqdm=True
)

4. 加载已有关卡

# 从文本文件加载之前保存的关卡
loaded_level = SampleOutput.load("generated_level.txt")

# 再次游玩
loaded_level.play()