Сравнительный анализ больших языковых моделей для генерации диалогов в сфере игровой индустрии

Актуальность исследования обусловлена ростом требования к качеству и вариативности контента в современной игровой индустрии, в частности, к репликам неигровых персонажей (NPC), традиционные методы написания которых могут не в полной мере обеспечивать вариативность и реиграбельность. Данное исследование направлено на выявление наиболее подходящей большой языковой модели (LLM) для генерации реплик NPC путем сравнительного анализа по ряду критериев. Ведущим методом исследования является сравнительный анализ двух групп моделей: LLM с большим числом параметров (DeepSeek-V3.2, Qwen 3-Max, GigaChat 2 Max), предоставляемых через API\Веб-сервисы, и моделей с малым числом параметров (DeepSeek-R1:14b, Qwen 3:14b, Phi4:14b), запускаемых на персональном компьютере. В работе представлены критерии оценки качества ответов и технических характеристик, показан алгоритм проведения тестирования и структура запроса. Для комплексной оценки моделей был введен интегральный показатель эффективности, учитывающий несколько ключевых критериев качества ответов. В результате выявлены предпочтительные LLM в обеих группах: модель GigaChat 2 Max показала наилучшее соблюдение правил генерации и рекомендована к использованию для русскоязычных игровых проектов. Среди второй группы лучшие результаты показала модель DeepSeek-R1:14b. Материалы статьи представляют практическую ценность для разработчиков в сфере игровой индустрии, предоставляя обоснованные рекомендации по интеграции LLM для автоматизации создания реплик NPC.

1. Купалов Г.С. Возможности применения видеоигр в образовании. Вестник педагогических наук. 2021;(3):151–155.

2. Кузьмина А.П., Кюрегян А.Л., Перцевая Е.А. Использование компьютерных видеоигр как инструмента самостоятельной работы для усовершенствования коммуникативных навыков студентов, изучающих английский язык в неязыковых вузах. Концепт. 2025;(8):185–200. https://doi.org/10.24412/2304-120X-2025-11159

3. Налесная Я.А., Лебедев Е.П. Следует ли сегодня считать Киберспорт настоящей профессией? В сборнике: Научный диалог: вопросы философии, социологии, истории, политологии: Сборник научных трудов по материалам XIII международной научной конференции, 01 апреля 2018 года, Санкт-Петербург, Россия. Изд. ЦНК МНИФ «Общественная наука»; 2018. С. 8–13. https://doi.org/10.18411/spc-01-04-2018-02

4. Демин К.А., Пушкарева И.Н., Тагильцева Ю.Р. Компьютерные игры военного жанра как элемент пропаганды в информационной войне России и США. Политическая лингвистика. 2016;(5):110–116.

5. Кириченко Д.В., Галагузова Ю.Н. Геймификация в работе учителя общеобразовательной школы: опыт и перспективы. Педагогическое образование в России. 2022;(3):13–19.

6. Абросимова Т.Ю. Сравнительная характеристика спроса на видеоигры на базе различных игровых клиентов. В сборнике: Фундаментальные научные исследования: Сборник статей Международного научно-исследовательского конкурса, 29 февраля 2020 года, Санкт-Петербург, Россия. ЕНМЦ «Мультидисциплинарные исследования»; 2020. С. 28–31.

7. Гобозов В.В. Тенденции и современные технологии создания игрового контента. Международный журнал гуманитарных и естественных наук. 2025;(7-2):224–230. https://doi.org/10.24412/2500-1000-2025-7-2-224-230

8. Kumaran V., Rowe J., Mott B., Lester J. SceneCraft: Automating Interactive Narrative Scene Generation in Digital Games with Large Language Models. In: Proceedings of the Nineteenth AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment, 08–12 October 2023, Salt Lake City, UT, USA. AAAI Press; 2023. P. 86–96. https://doi.org/10.1609/aiide.v19i1.27504

9. Gallotta R., Todd G., Zammit M., et al. Large Language Models and Games: A Survey and Roadmap. IEEE Transactions on Games. 2024;1–18. https://doi.org/10.1109/TG.2024.3461510

10. Любимов И.И., Манаев К.И., Мельников А.Н., Султанов Н.З. Методические основы оптимизации процесса сбора и вывоза твёрдых бытовых отходов. Интеллект. Инновации. Инвестиции. 2011;(2):35–40.