史克威尔艾尼克斯工程师在社内 H100 上验证本地 Nemotron 3.5：聊天和脚本等基本任务能完成，但让它单独做一款寻宝游戏，中途停住，完全不成游戏。
11 月 10 日，NVIDIA 在东京办了开发者活动 Agentic AI Day Japan 2026。史克威尔艾尼克斯 AI 与引擎开发部门的 AI 工程师藤井翔太，讲了他们把生成式 AI 接到游戏开发平台上的验证。PC Watch 发了较完整的现场报道，AI Watch 对同一场活动也有记录。
他们在公司内部的 H100 环境里跑了 NVIDIA 的视觉语言模型 Nemotron 3.5 Super VL，参数规模标注为 120B-A12B。报道配图说明，部署位置是 NVIDIA DGX。所谓本地大语言模型，就是把模型放在自己的机器上跑，数据不必送到外部云端。
藤井先谈到 3A 游戏开发变贵，并引用了经济产业省今年 2 月公布的数据，稿件未见具体数字。他的判断是，写文档和策划案，再就是写代码、做内部工具和测试，这些环节都能用上 AI。但 ChatGPT、Claude 这类云端前沿模型本身也贵，“人做和 AI 做，哪个更贵，得看任务”。游戏还经常要喂 3D 场景和视频，一次消耗的文本量很大；策划案那种没有标准答案的来回讨论，上下文还会越攒越贵。本地模型除了费用，还有数据不出门、云端改版时输出不会跟着漂、也不用绑在外部接口上这些好处。他给出的使用前提，是用来辅助创作者。
验证分四块。
聊天这边，解释术语、回答“世界最高的山”这类短问题，以及带数字单位的计算、按格式出三个村名，都能答上来。“世界最高的山”这类短问题，Nemotron 用了 0.79 秒，比拿来对比的其他模型都快；题目一难，它反而比别的模型慢，速度快慢差得比较大。藤井的看法是，本地模型更适合简单对话。他们还塞进去一段龙在吃饭的视频，模型用大约 10.6 秒给出了准确理解。藤井说，这是他“个人比较吃惊的一点”。
脚本这边，让它写一个把图像正负片反转的 Python 脚本，一次就写对，花了 22 秒。这类较简单的脚本，速度上给人的印象是 ChatGPT 和 Claude 还略快一些。再用 HTML 做一款能左右移动和跳跃、还有剑的命中判定和过关条件的小游戏，也是一次请求就跑起来了。藤井的小结是：聊天和脚本这些他本来就觉得能做的事，确实做了出来。
动作生成没有只靠 Nemotron。它负责把脚步位置和时间写成 JSON，再交给 NVIDIA 的动作生成模型 Kimodo 在虚幻引擎里出动作。Kimodo 的全称是 Kinematic Motion Diffusion，可以根据文字或少量姿势生成整段动作。演示里，角色能抬脚跨过地上的杆。按同样办法，搬运、跳过沟，还能攀上 1.2 米的台，或从 1.1 米高的杆下钻过去，基本步行都能生成。
有意思的是改脚滑。跨杆行走一开始在虚幻里大约滑了 16.4 厘米，让 Nemotron 按计划、执行、检查、改进的循环去改，滑步收到了大约 1.7 厘米。关键帧加多了，效果反而变差。完成度最高的一次，只指定了 6 个关键帧；关键帧再往上加，多余动作会变多，脚会滑，手也会被定住。障碍物当时没加碰撞，把多段动作接起来时，会出现脚穿模。藤井仍然觉得，只靠位置和关键帧就能串成这一串，比预想中顺。他给自己记的改进项是：先定好评价标准和修改方针。
最后测的是 MCP。这是一套让 AI 调用外部软件的约定。虚幻引擎 5.8 和 Blender 5.1 之后，都有官方的实验性 MCP 服务。让它在 Blender 里做一棵树，再放到虚幻场景里，这一步跑通了。可一旦题目改成“做一款寻宝游戏”，从生成物件到把游戏跑起来，本地模型单独做，中途停住，完全不成游戏。后来他们先让 Claude Code 列出所需任务，再用 NVIDIA 的模型路由库 NeMo Switchyard 来分配：简单的给 Nemotron，难的分给 ChatGPT 等前沿模型。一部分物件开始能动了，游戏还是没有做完。
藤井的结论很克制。基本操作本地模型扛得住；自由度高的课题，现在仍要把难的部分分给前沿模型，而且得自己手里有一套检查办法。他还说，别的工作能不能也这么用，要继续试。
这场分享停留在公开验证。稿件未见史克威尔艾尼克斯把 Nemotron 写进在售作品管线的官方声明。