Item type: Item , Access status: Restricted , Add to my list

EVALUACIÓN DEL POTENCIAL DE LOS AGENTES GENERATIVOS BASADOS EN SMALL LANGUAGE MODELS PARA LA PLANIFICACIÓN ESTRATÉGICA EN EL CONTEXTO DE LOS VIDEOJUEGOS.

Abstract

La rápida evolución de la Inteligencia Artificial, y concretamente de los Modelos de Lenguaje de Gran Tamaño (LLM), ha abierto nuevas posibilidades para la creación de agentes autónomos capaces de razonar y planificar. Sin embargo, los elevados requisitos computacionales de estos modelos limitan su integración directa en videojuegos, un entorno que exige interactividad en tiempo real y optimización de recursos. Este Trabajo de Fin de Grado explora la viabilidad de utilizar Modelos de Lenguaje Pequeños (SLM) de código abierto y ejecución local como alternativa accesible para controlar agentes inteligentes en entornos lúdicos. Para ello, se ha diseñado e implementado una arquitectura modular en el motor Unity, integrada con la herramienta Ollama, que permite la comunicación y gestión de inferencias con diversos modelos (Llama 3.1, Gemma 2, Qwen 2.5 y GPT-OSS). La evaluación se ha llevado a cabo en dos casos de estudio diferenciados: el ajedrez, un entorno de reglas conocidas y ampliamente representadas en los corpus de entrenamiento; y un juego de estrategia en tiempo real (RTS), que presenta un escenario dinámico y desconocido para los modelos. Los resultados experimentales revelan una dicotomía significativa entre ca- pacidad de razonamiento y latencia. En el ajedrez, los modelos orientados al razonamiento demostraron superioridad estratégica, aunque con tiempos de res- puesta que comprometen la fluidez, mientras que los modelos optimizados para velocidad carecieron de profundidad táctica, siendo incapaces de cerrar partidas. Por otro lado, en el entorno RTS, la totalidad de los modelos evaluados fracasó al intentar generar comportamientos coherentes, evidenciando que la capacidad de generalización de los SLM actuales es insuficiente ante mecánicas no presentes en sus datos de entrenamiento. Se concluye que, si bien la integración técnica de SLM locales en motores de videojuegos es viable y funcional, su desempeño como agentes estratégicos autónomos es aún inmaduro. Para lograr una competencia real, se identifica la III necesidad de implementar técnicas complementarias como el ajuste fino (fine- tuning) específico del dominio, sistemas de memoria a largo plazo o aprendizaje por refuerzo.
Loading...

Quotes

PlumX

Journal Title

Journal ISSN

Volume Title

Publisher

Universidad Rey Juan Carlos

URL external

External URL

DOI

Description

Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2025/2026. Directores/as: Marcos José García Lorenzo, Nicusor Cosmin Toader

Citation

Endorsement

Review

Supplemented By

Referenced By

Statistics

Views
5
Downloads
0

Bibliographic managers