Résumé

Nous présentons Game-TARS, un agent généraliste pour jeux vidéo entraîné à l’aide d’un espace d’actions unifié et évolutif, fondé sur les entrées natives clavier-souris alignées avec les comportements humains. Contrairement aux approches basées sur des API ou des interfaces graphiques (GUI), ce paradigme permet un pré-entraînement continu à grande échelle sur des domaines hétérogènes, incluant les systèmes d’exploitation, les jeux web et les jeux de simulation. Game-TARS est pré-entraîné sur plus de 500 milliards de tokens, intégrant des trajectoires diversifiées et des données multimodales. Parmi les techniques clés figure une perte continue décroissante, destinée à réduire la confusion causale, ainsi qu’une stratégie efficace de « Sparse-Thinking » qui équilibre profondeur de raisonnement et coût d’inférence. Les expériences montrent que Game-TARS atteint environ deux fois le taux de réussite du modèle précédent de l’état de l’art sur des tâches ouvertes dans Minecraft, se rapproche de la généralité des humains inexpérimentés dans des jeux web 3D inédits, et dépasse GPT-5, Gemini-2.5-Pro et Claude-4-Sonnet dans les benchmarks de FPS. Les résultats d’échelle, tant en phase d’entraînement qu’en phase de test, confirment que l’espace d’actions unifié maintient ses avantages lorsqu’il est étendu à des données trans-joueurs et multimodales. Nos résultats démontrent que des représentations d’actions simples et évolutives, combinées à un pré-entraînement à grande échelle, ouvrent une voie prometteuse vers des agents généralistes capables d’effectuer une large gamme de tâches informatiques.