我々は、1,000種類以上のゲームにわたる4万時間以上のプレイ動画を用いて学習された、汎用ゲームエージェント向けの視覚-行動基盤モデル「NitroGen」を紹介する。本モデルは以下の3つの鍵となる要素を統合している：1）公開されているプレイ動画から自動的にプレイヤー行動を抽出して構築したインターネット規模の動画-行動データセット、2）ゲーム間一般化能力を測定可能なマルチゲームベンチマーク環境、3）大規模な行動クラウンティング（behavior cloning）により訓練された統一型視覚-行動モデル。NitroGenは、3Dアクションゲームにおける戦闘シーン、2Dプラットフォーマーにおける高精度な操作、および手続き的生成された世界における探索など、多様な領域において優れた性能を発揮する。また、学習済みデータに含まれない未確認のゲームに対しても効果的に転移可能であり、従来のスクラッチからの学習モデルと比較して、タスク成功確率で最大52％の相対的向上を達成している。本研究では、データセット、評価ツールキット、およびモデル重みを公開することで、汎用身体化エージェントに関する研究の進展を促進する。