经小语言模型的高质量动态游戏内容生成：概念验证

大语言模型（LLM）为动态游戏内容生成带来希望，但面临关键障碍，包括叙事不连贯与高昂运营成本。由于其体量巨大，它们常经由云端访问，限制了在离线游戏中的应用。转向小语言模型（SLM）可解决许多此类实际问题，但现有使用SLM的研究产出质量不佳。我们提出一种策略：通过对精心限定范围的任务——上下文狭窄、结构受限或两者兼有——进行强力微调，实现高质量SLM生成。简言之，任务越难，所需范围越窄、对训练语料的专门化程度越高。训练数据经基于DAG的方法合成，将模型扎根于特定游戏世界。此类模型可构成围绕相应叙事学框架设计的agentic网络的基础，成为比依赖云端的LLM更实用、更稳健的方案。为验证该方法，我们给出聚焦单一专用SLM作为基础构件的概念验证。我们引入一个围绕声誉修辞对战的最小RPG循环，由该模型驱动。我们证明，简单的重试直至成功策略即可达到足够质量（由LLM-as-a-judge方案定义），且延迟可预测、适合实时生成。虽然本地质量评估仍是开放问题，我们的结果证明了在典型游戏引擎约束下实时生成的可行性。