Microsoft Research hat am 4. April 2025 das Weltmodell WHAMM vorgestellt, das einen Quake-II-Level vollständig im neuronalen Netz erzeugt und in Echtzeit mit mehr als zehn Bildern pro Sekunde spielbar macht. Die Abkürzung steht für World and Human Action MaskGIT Model. Anders als klassische Spiel-Engines führt das System keinen vorab programmierten Code aus. Stattdessen sagt es jedes Einzelbild aus den vorhergehenden Frames und den Controller-Eingaben des Nutzers voraus. Eine interaktive Demonstration stellt Microsoft über die Copilot Labs bereit.
WHAMM ist die Weiterentwicklung des im Februar 2025 publizierten WHAM-1.6B, das auf dem Titel Bleeding Edge trainiert wurde und nur rund ein Bild pro Sekunde erzeugte. Dieselbe Modellfamilie bildet die technische Basis hinter dem generativen Ansatz, den Microsoft Research zuvor unter dem Namen Muse präsentiert hatte. Der Sprung auf über zehn Bilder pro Sekunde entspricht etwa einer Verzehnfachung der Generierungsrate. Parallel verdoppelt das neue Modell die Ausgabeauflösung von 300 mal 180 Pixeln auf 640 mal 360 Pixel. Möglich wird das höhere Tempo durch einen Wechsel der Architektur hin zum MaskGIT-Verfahren, das mehrere Bildtokens parallel statt streng sequenziell vorhersagt.
Zwei Transformer und eine Woche Trainingsdaten
Technisch besteht WHAMM aus zwei gekoppelten Komponenten. Ein Backbone-Transformer mit rund 500 Millionen Parametern erzeugt eine erste Vorhersage der nächsten Bildtokens. Ein nachgelagerter Refinement-Transformer mit etwa 250 Millionen Parametern verfeinert diese Tokens anschließend iterativ nach dem MaskGIT-Prinzip. Das Kontextfenster umfasst 0,9 Sekunden zurückliegende Spielzeit, was bei zehn Bildern pro Sekunde neun Frames entspricht. Bemerkenswert ist der Datenbedarf. WHAMM wurde mit lediglich einer Woche kuratierter Spieldaten trainiert, die professionelle Tester mit gezielt vielfältigen Spielsequenzen aufgenommen haben. WHAM-1.6B benötigte demgegenüber rund sieben Jahre an Spielmaterial.
Grenzen des Modells und Relevanz für das Prototyping
Microsoft benennt die Einschränkungen offen. WHAMM bildet nicht das vollständige Quake II ab, sondern eine Annäherung an einen einzelnen Levelabschnitt. Gegnerfiguren erscheinen unscharf, das Kampfgeschehen wirkt unrealistisch und die Lebensanzeige liefert unzuverlässige Werte. Objekte, die länger als 0,9 Sekunden außerhalb des Sichtfelds liegen, verschwinden, da sie aus dem Kontextfenster fallen. Trotz dieser Punkte versteht Microsoft Research das Modell als Werkzeug für das KI-gestützte Prototyping. Entwicklerteams sollen interaktive Umgebungen erkunden können, ohne zuvor eine vollständige Engine zu implementieren. Wie produktiv solche Versprechen in der Praxis ankommen, bleibt offen, denn viele Studios stehen generativer KI in der Spieleentwicklung skeptisch gegenüber. Die Modellentwicklung verantworteten unter anderem Tabish Rashid, Victor Fragoso und Chuyang Ke, die Projektleitung lag bei Katja Hofmann und Haiyan Zhang.