LLM能否识别电子游戏参与度？

LLM预测游戏参与度可超传统基线，但仍不及人类标注。

资讯摘要

论文评估现成预训练LLM在多模态提示下预测视频连续情感标注的能力，使用GameVibe语料中20款第一人称射击游戏、共80分钟带标注录像，测试其对游戏内参与度变化的标注。作者运行逾4800次实验，考察LLM架构、模型规模、输入模态、提示策略与真值处理方式的影响。结果显示LLM虽能超过传统机器学习基线，但整体仍落后于人类提供的连续体验标注。

要点速读

1. 论文使用GameVibe语料中20款第一人称射击游戏的80分钟标注录像，测试LLM对游戏内参与度变化的标注能力。
2. 作者运行超过4800次实验，分析LLM架构、模型规模、输入模态、提示策略和真值处理方法的影响。
3. 论文报告LLM可超过传统机器学习基线，但整体仍落后于人类的连续体验标注。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。