第二种叫"语义标注"，由Qwen3系列的大型视觉语言模型结合采样帧画面和对应的动作状态记录自动生成，用流畅的自然语言描述玩家在这段时间里做了什么以及游戏状态发生了怎样的演变。这两种标注可以分别用作下一状态...
