AI要約本研究は、PTCG-Benchを用いてポケモンのトレーディングカードゲームを環境としてLLMエージェントの意思決定と自己進化を評価する枠組みを提示する。二段構えの評価では、単一環境内の意思決定と、蓄積経験による自己進化の両方を測る。モジュラー式ハーネスのアブレーションを導入し、性能と設計要素の影響を分離して解釈性を高める。結果としてLLMは非自明な対戦能力を示すが、安定した自己進化は依然課題で、ハーネス設計が成績に影響を与えることが分かった。
Papers
AI要約本論は大型言語モデルと拡散モデルを用いたTCGカードの Procedural Content Generation のパイプラインを提案する。ポケモンをデータセットとして活用し、プレイヤー中心の共同制作と埋め込み表現を組み合わせる。49名の参加者が196枚のポケモンカードを作成・評価し、視覚と機構の代表性に高い満足度が得られた。今後の自動生成システムやメタゲーム進化の代替としての可能性を示す。
AI要約本論文はポケモン赤を対象とした深層強化学習エージェントの学習を可能にするPokeRLというシステムを提案する。PyBoyエミュレータのラッパーやマップマスキング、ループ回避機構、密な報酬設計を導入し、長期報酬問題と部分観測性に対処する。実験は初期タスク（家を出る、 Pallet Town を探索、最初のライバル戦に勝つ等）の達成を目指す。ポケモンのデータ・環境・ゲーム内容を主要研究対象として扱い、 toy ベンチマークを超える実用性を目指す。
AI要約本論は Vision-Language Models の長期視覚タスクを評価するベンチマーク PokeGym を提案する。Pokemon Legends: Z-A の環境を用い、エージェントは生RGB観測のみで動作する。評価は視覚的グラウンディング、意味推論、自律探索の三つの粒度で構成され、現状の VLM のボトルネックとしてデッドロック回復を指摘する。ポケモン自体を主要研究対象として扱っているわけではなく、論文全体の主題は VLM の評価手法である。
AI要約本論文はポケモンの対戦システムとRPG環境を基盤とする意思決定研究の大規模ベンチマーク「PokeAgent Challenge」を提案する。対戦トラックとスピードランニングトラックの2体系で、部分観測性・長期計画・ゲーム理論的推論を同時に評価する。20M件超の対戦軌跡データとRL/LLMベースラインを提供し、NeurIPS2025での競合実績を報告する。ポケモン対戦を研究対象として据えた新たな評価基盤である。
AI要約本論はポケモン対戦を舞台に、巨大言語モデル（LLM）の戦略的意思決定とコンテンツ生成能力を評価する。タイプ相性や素点を用いたダメージ計算、複数ポケモンの編成を踏まえ、戦闘状態に基づく選択をLLMsに任せる。結果は、ドメイン特化訓練なしでも戦略性の高い対戦が可能であり、RLの代替としての実用性を示唆する。ポケモンを題材とする戦略ゲームでのLLM適用と、コンテンツ生成・難易度適応の展望を論じる。
AI要約本論はLLMを用いたポケモン対戦の競技系プラットフォームを提案する。タイプ制を前提とするターン制戦闘環境で、複数のAIトレーナーによる単独トーナメントを実施し、意思決定のログを収集する。チーム編成・戦術・交代の決定といった情報から、AIの挙動と戦略を比較・分析する。ポケモンを戦略推論と学習のベンチマークとして位置づけ、未知性下での意思決定最適化を検討する。
AI要約PokéAIはポケモン赤を自動で進行させるテキストベースの多エージェントLLMフレームワークである。Planning・Execution・Critiqueの三エージェントが計画・実行・評価を閉ループで回すのである。戦闘モジュールを用いた実験では野生対戦の平均勝率が80.8%で、人間プレイヤーと比較して6%程度劣ると結論づけられ、モデルの戦闘成績は言語能力と相関し独自のプレイスタイルを示すのである。
AI要約本論文はポケモンの対戦環境を対象としたベンチマークVGC-Benchを提案する。対戦ログ約70万件を含むデータセットと、ヒューリスティック、LLM、行動模倣、マルチエージェント強化学習を組み合わせた基準エージェントを提供する。自己対戦、fictitious play、double oracle などの経験的ゲーム理論手法を用いて評価し、単一チーム設定と複数チーム設定での一般化性を検証する。コードとデータセットを公開し、ポケモン対戦研究の基盤を整備している。
AI要約本論文は、ポケモンの対戦データを用い、オフライン強化学習と transformers を組み合わせたエージェントの学習法を提案する。第三者視点ログから第一人称データを再構築するデータセットを作成し、模倣学習からオフラインRLへと展開する。実験はオンライン対戦で上位を達成したエージェントを示し、最近のLLMエージェント手法を上回る成績を報告する。ポケモン環境をデータ・環境研究のプラットフォームとして活用する。
AI要約PokéChampはポケモン対戦を対象とするミニマックス探索をLLMsで強化するエージェントの設計と評価を提案する。Gen 9 OUでの対戦成績と、3百万試合超の実データセットを構築した点を報告する。GPT-4oやLlama 3.1などのLLMを用い、行動サンプリング・対戦相手モデリング・価値関数推定をLLMが代替する枠組みを示す。ポケモン対戦を一般的な多エージェント問題のベンチマークとして活用する研究として位置づけられる。
AI要約ポケモン赤を強化学習の評価環境として用い、エージェントの基礎動作を実装・評価した研究。長い探索空間と報酬設計の課題をアブレーションで検討し、報酬設計の抜け穴を指摘する。ポケモン環境を将来の大規模言語モデルや階層訓練の研究基盤として活用する可能性を示唆する。ソースコードはGitHubに公開されている。
AI要約本論は Pokémon Showdown を対象に、バランス調整の影響を予測するメタディスカバリーフレームワークを提案する。強化学習を用いた自動テストにより、調整後のメタ変化を高精度に予測できることを示す。ポケモンの対戦環境とデータを主要な研究対象として扱い、一般的な手法と組み合わせた評価を行う。ゲームバランス研究の新たな実践を提示する。
AI要約本論文はポケモン対戦で人間と同等の成績を達成するLLM組み込みエージェント PokeLLMon を提案する。方策は、対戦からのテキスト報酬を用いるインコンテキスト強化学習、外部知識を取り込む知識拡張生成、強力な相手への対応を安定させる一貫性ある行動生成の三要素で構成される。実戦では ladder で約49%、招待戦で約56%の勝率を示す。実装と対戦ログはGitHubに公開されている。
AI要約本研究はChatGPTのポケモン宇宙に関する知識を監査する枠組みを提案する。ポケモンを閉じた知識空間として扱い、対戦シナリオでの推論過程を評価する。情報取得と新知識の取り込みを通じた一般化能力を検証し、協働的なフィードバックが性能向上につながることを示す。ポケモンを主題とするが、主要な対象はAIの推論能力と知識獲得の評価である。
AI要約本研究はPokemon名の音象徴性を用い、機械学習アルゴリズムを分類タスクに適用する研究である。名前の音を特徴量として前後の進化状態を分類するランダムフォレストを構築した研究である。日本語・中国語・韓国語の名音と未見名の命名実験を組み合わせ、過学習の問題と新しいクロスバリデーション手法を検討した研究である。実験結果は、ランダムフォレストが人間を上回る分類精度を達成し、音と意味の対応を効率的に学習できることを示した研究である。
AI要約本論はポケモンゲームを対象としたAIエージェントの設計と評価を扱う。著者らは編成のバランスと不確実性の処理という課題に独自アルゴリズムで挑み、ゲームメカニクスを分析する。評価では従来手法を上回る成果を示し、世界ランキング33位を記録した。実験は4つのシングルソケットサーバで実行された。
How Cute is Pikachu? Gathering and Ranking Pokémon Properties from Data with Pokémon Word Embeddings
AI要約本論は151匹のポケモンを対象に、その性質を自動抽出・ランキングする手法を提案する。ポケモン専用コーパスから学習した単語埋め込みを用い、各ポケモンの特徴語を評価する。ドメイン特化データで学習したモデルは、事前学習モデルよりノイズを抑えた結果を示す。結果は、ポケモンデータを教材として扱う際の有効性を示す実験的知見である。
AI要約本論はポケモンGOの地理的影響を大規模に観察した混合手法研究である。五か国の現地調査とゲーム要素の空間分析を通じ、都市部や特定地域の偏りを強化する設計傾向を明らかにする。さらに、ポケモンGOが世界的な移動パターンに大きな影響を与え得る一方で、安全リスクにも地理的特徴が現れると指摘する。著者はこの種の地理設計を将来のシステムで緩和する方策を提案する。
AI要約本論文はTwitch Plays Pokémon の協力プレイ現象を、純ジャンプ連続時間マルコフ過程でモデル化して解析している。1人およびN人プレイの勝率と期待ゲーム時間を算出し、協力が有利になる条件を同定する。数値的なプラグイン例も示される。対象はポケモンゲームの機構とプレイヤー挙動の分析であり、ポケモンデータ・環境を主要研究対象として扱っている点で本研究はポケモン関連と判断できる。