Microsoft Research hat am 4. April 2025 das Weltmodell WHAMM vorgestellt, das eine spielbare Variante von Quake II in Echtzeit generiert. WHAMM steht für World and Human Action MaskGIT Model und gehört zur Muse-Familie generativer Spielmodelle des Konzerns. Statt eine klassische Spiel-Engine auszuführen, erzeugt das Modell die Bildausgabe Frame für Frame als Reaktion auf die Controller-Eingaben der spielenden Person. Eine Demo läuft über Copilot Labs und erlaubt es, sich durch einen Bereich des ersten Levels zu bewegen, zu springen, zu ducken, zu schießen und mit Objekten der Umgebung zu interagieren.

Gegenüber dem Vorgängermodell WHAM, das in Nature publiziert wurde, hebt WHAMM die Auflösung auf 640×360 Pixel an. WHAM arbeitete noch mit 300×180 Pixeln. Die Bildrate liegt nach Angaben des Forschungsteams bei mehr als zehn Bildern pro Sekunde, was für die interaktive Echtzeit-Darstellung ausreicht. Der Kontext umfasst rund 0,9 Sekunden Spielverlauf, also etwa neun Frames bei zehn Bildern pro Sekunde. Daraus ergibt sich auch eine der bekannten Schwächen solcher Modelle. Objekte, die länger als dieser Zeitraum aus dem Sichtfeld verschwinden, sind dem Modell anschließend nicht mehr präsent.

Zwei Transformer und ein Trainingsdatensatz von einer Woche

Technisch setzt WHAMM auf eine zweistufige Architektur. Ein Backbone-Transformer mit rund 500 Millionen Parametern liefert eine erste Vorhersage der Bild-Token, ein Refinement-Transformer mit rund 250 Millionen Parametern verfeinert diese Token in mehreren Durchläufen. Anders als WHAM erzeugt WHAMM die Token nicht autoregressiv nacheinander, sondern nutzt den MaskGIT-Ansatz, der mehrere Token parallel vorhersagt und so die nötige Geschwindigkeit für die Echtzeit-Ausgabe erreicht. Die Bildkodierung übernimmt ein ViT-VQGAN.

Auffällig ist der Trainingsaufwand auf der Datenseite. Während das größere Modell WHAM-1.6B mit sieben Jahren an Spieldaten trainiert wurde, kam WHAMM mit einer Woche sorgfältig kuratierter Quake-II-Spielmitschnitte aus. Professionelle Testspieler nahmen die Sequenzen gezielt auf, um eine möglichst dichte Abdeckung des verwendeten Spielbereichs zu erreichen. Verantwortlich für die Arbeit zeichnen das Game-Intelligence-Team, die Xbox Gaming AI und das Xbox Certification Team mit über zwanzig genannten Mitwirkenden. Damit reiht sich WHAMM in die Reihe von Xbox-Projekten ein, die den Einsatz generativer KI rund um die Marke immer breiter aufstellen.

Grenzen der Demo und Einsatzgedanke

Microsoft Research benennt die Schwächen der Demo offen. Die Gegnerlogik bleibt ungenau, die Trefferzählung ist unzuverlässig, und der dargestellte Bereich ist auf einen kleinen Ausschnitt des ersten Levels begrenzt. Die kurze Kontextlänge führt dazu, dass das Modell nicht aus dem Bild geratene Spielzustände vergisst. Das Forschungsteam beschreibt WHAMM ausdrücklich als Forschungsvorhaben und nicht als Spielerlebnis, das ein klassisches Quake II ersetzen soll.

Der erklärte Zweck liegt eher in der Entwicklungsarbeit. Weltmodelle dieser Art könnten als schnelle Sandbox dienen, in der Studios Spielideen, Levelvarianten oder Mechaniken ausprobieren, bevor sie in eine vollständige Produktion überführt werden. Die Forschung steht im Zusammenhang mit dem bereits angekündigten Vorhaben, ältere Spielekataloge über generative Modelle zugänglich zu machen. Wie schwer sich solche KI-Funktionen im Alltag durchsetzen, zeigt etwa der Schritt, den Xbox Copilot auf der Konsole wieder einzustellen. Quake II dient hier als bekannter, gut dokumentierter Testfall, an dem sich Fähigkeiten und Grenzen der Technik nachvollziehbar zeigen lassen.