EgoCS-400K：面向世界模型的自我中心游戏数据集
TLDR
提出EgoCS-400K，大规模第一人称游戏数据集，含对齐视频-动作-语言轨迹，用于训练交互世界模型。
评分理由
The paper's strength is providing a large, replay-grounded dataset with rich annotations (actions, states, events) that addresses a key data bottleneck for world models. A weakness is that it focuses solely on a single game (Counter-Strike), limiting visual diversity, and the abstract does not present any model evaluations or baseline results.
Read-first 评分解释
综合优先阅读分 57.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 47。
研究版图角色
基础论文前沿论文桥接论文
排序敏感性
稳定性：volatile；排名波动范围：454。
关键词评分
深度分析
创新点
- 首个专为世界模型设计的大规模第一人称游戏数据集，具有时间对齐的视频-动作-语言轨迹
- 基于公开的职业Counter-Strike比赛回放构建，支持回放驱动的解析、渲染以及玩家状态、动作、相机运动和事件的时间对齐
- 提供超过40万段第一人称视频和1万小时游戏时长，来自1000多场比赛和4万回合，覆盖13张地图，每回合10个玩家视角
- 支持多种交互式视觉建模任务：动作条件未来预测、状态与事件感知场景推演、回放驱动字幕生成以及智能体第一人称动作理解
- 作为被动网络视频、可控游戏模拟与昂贵真实世界具身数据之间的实用桥梁
方法
该数据集通过解析公开的职业Counter-Strike（CS和CS2）比赛回放构建，这些回放保留了人类游戏轨迹。提取了玩家状态、视角方向、移动、键盘/按钮输入、视角变化、武器使用、游戏事件和回合级上下文，并从相同轨迹渲染出干净的第一人称视频，实现了视频、动作和语言的时间对齐。
关键结果
EgoCS-400K包含超过40万段第一人称视频和1万小时游戏时长，来自1000多场比赛和4万回合，覆盖13张地图，每回合10个玩家视角。