Мы используем три ключевых компонента: 1) набор данных видео-действий интернет-масштаба , созданный путем автоматического извлечения действий игроков из общедоступных игровых видеороликов, 2) многоигровую среду тестирования , позволяющую измерять обобщение между играми, и 3) единую политику визуально-действенного обучения, обученную с использованием крупномасштабного клонирования поведения. NitroGen демонстрирует высокую эффективность в различных областях, включая боевые столкновения в 3D-экшен-играх, высокоточное управление в 2D-платформерах и исследование в процедурно генерируемых мирах. Он эффективно переносится на ранее не встречавшиеся игры, достигая до 52% относительного улучшения показателей успешности выполнения задач по сравнению с моделями, обученными с нуля. Мы публикуем набор данных, набор инструментов оценки и веса модели для продвижения исследований в области универсальных воплощенных агентов.

Несмотря на то, что обучение и демонстрация напрямую связана с видеоиграми, и технически, и концептуально это решение далеко не только для игр.  

Во-первых, в основе NitroGen лежит архитектура GROOT N1.5, изначально разработанная для робототехники. Во-вторых, сам принцип обучения отлично подходит для роботов, как новый способ их обучения. 

NitroGen был адаптирован для игр с совершенно разными механиками и физикой. Это говорит о гибкости модели и массе вариантов использования. Авторы говорят, что особенно полезными оказались видео, в которых геймеры накладывали свои действия с геймпадом в реальном времени на трансляцию. 

Все исследования NitroGen на данный момент находятся в открытом доступе.