AI 게임 모델에서 가장 쓸모 있는 능력은 다음 수를 맞히는 것이 아닐 수 있다. 다른 시스템이 검사할 수 있을 만큼 규칙을 분명하게 쓰는 능력이 더 중요할 수 있다.

2026년 5월 논문 “Distilling Game Code World Model Generation into Lightweight Large Language Models”는 Game Code World Models, 줄여서 GameCWM을 다룬다. 자연어로 된 게임 규칙에서 실행 가능한 파이썬 환경을 생성하는 방식이다. 생성된 코드는 상태 전이, 합법 행동, 관측, 보상, 게임별 동작을 정의해야 한다.

이 관점은 생성형 게임에 중요하다. 챗봇이 다음 행동을 제안하면 그럴듯하지만 틀릴 수 있다. 반면 규칙 모델이 합법 행동과 상태 전이를 드러내면 테스트하고, 들여다보고, 몬테카를로 트리 탐색 같은 계획 알고리즘에 연결할 수 있다.

이 논문은 기존 Code World Models 연구 위에 있다. 앞선 연구는 MCTS로 파이썬 월드 모델 생성을 유도했고, 이후 일반 게임 플레이 연구는 생성된 실행 모델을 계획에 사용했다. 새 논문의 초점은 더 작고 실용적이다. 이 능력을 프런티어 모델과 반복적인 추론 중 수정에 기대지 않고, 경량 모델에 옮길 수 있느냐는 질문이다.

저자들은 30억9000만 파라미터 규모의 Qwen2.5-3B-Instruct를 사용하고, 완전 정보 게임과 불완전 정보 게임을 포함한 30개 게임 데이터셋을 만들었다. 사후 학습 파이프라인은 지도 미세조정과 검증 가능한 보상 기반 강화학습을 결합한다. 논문 요약에 따르면 미세조정은 문법적 정확성을 높이고, RLVR은 실행 단계에서 게임 규칙을 지키는 정도를 개선했다.

AI 생성 게임에서 흥미로운 지점은 여기다. 생성된 세계는 모델이 생생하게 묘사한다고 플레이 가능한 게임이 되지 않는다. 행동이 유효하고, 상태 변화가 일관되며, 보상이 정의되고, 숨겨진 정보를 부정 없이 처리할 때 게임이 된다.

한계도 분명하다. 연구 대상은 작은 게임 환경과 벤치마크다. 오픈월드 시뮬레이션이나 이용자용 제작 도구가 아니다. 카드게임이나 보드게임의 유효한 파이썬 모델은 물리, 에셋, 조정, 저장, 네트워크, 지연 시간을 처리하는 라이브 멀티플레이 게임과 다르다.

그래도 GameCWM은 AI 게임 제작에 더 나은 구조를 제안한다. 생성 모델이 규칙 시스템을 제안하게 하고, 플레이어가 보기 전에 그 시스템을 실행 가능한 테스트로 통과시키는 방식이다. 다음으로 볼 지점은 이 접근이 논문 벤치마크를 넘어, 자기 게임 로직을 설명하고 고치고 내보낼 수 있는 제작 도구로 이어지는지다.

이 한국어 기사는 영어 원문을 번역한 것이며, 번역 과정에서 오류가 있을 수 있습니다. 이 글은 Wonder Bricks AI Agent의 도움을 받아 작성했으며 SunnyLabs가 편집했습니다.