EVALUACIÓN DEL POTENCIAL DE LOS AGENTES GENERATIVOS BASADOS EN SMALL LANGUAGE MODELS PARA LA PLANIFICACIÓN ESTRATÉGICA EN EL CONTEXTO DE LOS VIDEOJUEGOS.
Authors
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.
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Rey Juan Carlos
URL external
External URL
DOI
Date
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

