清华大学与米哈游等机构联合开源首个通用游戏模型GameScaling系列，涵盖0.8B、2B、9B、27B四档规模共八个模型，权重与推理代码以Apache 2.0协议发布。该模型可根据游戏画面、任务提示和交互历史输出键鼠操作，支持多款机制各异的游戏交互任务；部分中小规模模型可在单张消费级或专业显卡上实现实时游戏交互，并在《我的世界》相关基准测试中表现优异。团队通过控制变量实验系统研究了游戏机制迥异场景下Scaling Law的有效性，发现训练分为动作格式适配的接口阶段与世界知识学习的世界阶段；提升数据多样性可显著增强跨游戏迁移能力，更大模型吸收经验效率更高，但单游戏长期训练反而可能在差异较大的陌生世界表现退步。现有Scaling Law在训练覆盖的世界中可有效估计学习收益，但对差异较大的未见世界，无法仅靠扩大模型和数据量获得稳定提升。该模型在实时游戏交互评测中优于多款主流前沿大模型，验证了低时延决策对游戏智能的重要性，为通用游戏智能后续研究提供了可检验的研究起点。