GameNGen ist eine vollständig von neuronalen Modellen angetriebene Spielengine, die Echtzeit-Interaktionen mit komplexen Umgebungen ermöglicht und dabei über lange Zeiträume hinweg eine hohe Qualität aufrechterhält. Sie kann das klassische Spiel DOOM mit über 20 Bildern pro Sekunde interaktiv simulieren, wobei die PSNR-Werte der nächsten Frame-Vorhersage 29,4 erreichen, was mit verlustbehafteter JPEG-Komprimierung vergleichbar ist. Menschliche Beurteiler konnten Spiel- und Simulationssequenzen nur unwesentlich besser als zufällig unterscheiden. GameNGen wird in zwei Phasen trainiert: (1) Ein RL-Agent lernt, das Spiel zu spielen und zeichnet die Aktionen und Beobachtungen der Trainingssitzungen auf, die als Trainingsdaten für das generative Modell dienen; (2) Ein Diffusionsmodell wird trainiert, um den nächsten Frame vorherzusagen, abhängig von der vorherigen Folge von Aktionen und Beobachtungen. Die bedingte Verbesserung ermöglicht die stabile autoregressive Generierung über lange Zeiträume.