AI要約ポケモン対戦を事例に、LLMベースのエージェントの性能向上を目指すLong/Short-Term Knowledge Augmented Generationを提案する。Porimonは過去状態と類似タスクの経験要約を活用する仕組みを導入し、正確なダメージ計算を外部APIで補完する。15,000戦の大規模な評価でハイパーパラメータ最適化を実施し、既存手法を上回る結果を示すが、長期的効果の寄与は不確定とする。これらは対戦タスクにおけるLLMの戦略的意思決定支援の一歩となる。

AI要約ポケモンの概念的特徴を対象に、ClaudeとGeminiによる最小反直観性の自動符号化を人手の判定と比較し、少数の人手データを用いたleave-one-out方式のfew-shot校正で特異度を改善する研究である。校正した処理を第2世代以降のポケモンへ適用し、独立した人気順位と組み合わせて、反直観性と人気の逆U字関係を検証する。

AI要約ポケモンを題材としたマルチエージェント会議システムの設計と実装経緯を解説するである。Claude Artifactsを用いたノーコード/低コードのワークフローとデータ構造の可視化を紹介するである。

AI要約本研究は、PTCG-Benchを用いてポケモンのトレーディングカードゲームを環境としてLLMエージェントの意思決定と自己進化を評価する枠組みを提示する。二段構えの評価では、単一環境内の意思決定と、蓄積経験による自己進化の両方を測る。モジュラー式ハーネスのアブレーションを導入し、性能と設計要素の影響を分離して解釈性を高める。結果としてLLMは非自明な対戦能力を示すが、安定した自己進化は依然課題で、ハーネス設計が成績に影響を与えることが分かった。

AI要約本論は RAG を用いた追加コンテキスト取得の性能を、ポケモンデータセットをベンチマークとして評価する研究である。LLMs の回答精度と事実性を、構造化データからの情報取得の観点で比較検証する。研究対象はポケモンデータの計算機科学的扱いであり、社会現象としての分析には及ばない。

AI要約本論は大型言語モデルと拡散モデルを用いたTCGカードの Procedural Content Generation のパイプラインを提案する。ポケモンをデータセットとして活用し、プレイヤー中心の共同制作と埋め込み表現を組み合わせる。49名の参加者が196枚のポケモンカードを作成・評価し、視覚と機構の代表性に高い満足度が得られた。今後の自動生成システムやメタゲーム進化の代替としての可能性を示す。

AI要約本論文はポケモンの対戦システムとRPG環境を基盤とする意思決定研究の大規模ベンチマーク「PokeAgent Challenge」を提案する。対戦トラックとスピードランニングトラックの2体系で、部分観測性・長期計画・ゲーム理論的推論を同時に評価する。20M件超の対戦軌跡データとRL/LLMベースラインを提供し、NeurIPS2025での競合実績を報告する。ポケモン対戦を研究対象として据えた新たな評価基盤である。

AI要約ポケモンのタイプ検索と技の威力比較を題材に、LLMとルールベース処理の分担を示す。文章からの技名抽出をLLMに任せ、CSVの検索・比較をPythonなどで行う設計を説明する。

AI要約本論はポケモン対戦を舞台に、巨大言語モデル（LLM）の戦略的意思決定とコンテンツ生成能力を評価する。タイプ相性や素点を用いたダメージ計算、複数ポケモンの編成を踏まえ、戦闘状態に基づく選択をLLMsに任せる。結果は、ドメイン特化訓練なしでも戦略性の高い対戦が可能であり、RLの代替としての実用性を示唆する。ポケモンを題材とする戦略ゲームでのLLM適用と、コンテンツ生成・難易度適応の展望を論じる。

AI要約本論はLLMを用いたポケモン対戦の競技系プラットフォームを提案する。タイプ制を前提とするターン制戦闘環境で、複数のAIトレーナーによる単独トーナメントを実施し、意思決定のログを収集する。チーム編成・戦術・交代の決定といった情報から、AIの挙動と戦略を比較・分析する。ポケモンを戦略推論と学習のベンチマークとして位置づけ、未知性下での意思決定最適化を検討する。

AI要約PokéAIはポケモン赤を自動で進行させるテキストベースの多エージェントLLMフレームワークである。Planning・Execution・Critiqueの三エージェントが計画・実行・評価を閉ループで回すのである。戦闘モジュールを用いた実験では野生対戦の平均勝率が80.8%で、人間プレイヤーと比較して6%程度劣ると結論づけられ、モデルの戦闘成績は言語能力と相関し独自のプレイスタイルを示すのである。

AI要約本論文はポケモンの対戦環境を対象としたベンチマークVGC-Benchを提案する。対戦ログ約70万件を含むデータセットと、ヒューリスティック、LLM、行動模倣、マルチエージェント強化学習を組み合わせた基準エージェントを提供する。自己対戦、fictitious play、double oracle などの経験的ゲーム理論手法を用いて評価し、単一チーム設定と複数チーム設定での一般化性を検証する。コードとデータセットを公開し、ポケモン対戦研究の基盤を整備している。

AI要約本論文は、ポケモンの対戦データを用い、オフライン強化学習と transformers を組み合わせたエージェントの学習法を提案する。第三者視点ログから第一人称データを再構築するデータセットを作成し、模倣学習からオフラインRLへと展開する。実験はオンライン対戦で上位を達成したエージェントを示し、最近のLLMエージェント手法を上回る成績を報告する。ポケモン環境をデータ・環境研究のプラットフォームとして活用する。

AI要約PokéChampはポケモン対戦を対象とするミニマックス探索をLLMsで強化するエージェントの設計と評価を提案する。Gen 9 OUでの対戦成績と、3百万試合超の実データセットを構築した点を報告する。GPT-4oやLlama 3.1などのLLMを用い、行動サンプリング・対戦相手モデリング・価値関数推定をLLMが代替する枠組みを示す。ポケモン対戦を一般的な多エージェント問題のベンチマークとして活用する研究として位置づけられる。

AI要約InstructLabでポケモンタイプ相性の知識をLLMに学習させる実装手法を解説する。合成データ生成とファインチューニング、知識ファイルの運用手順を具体的に示す。

AI要約ポケモン対戦をミニマックスアルゴリズムとLLMで実装した対戦AI。複数LLMバックエンド対応。

AI要約ゲーム翻訳におけるGPT-4の応用研究。ポケモン名の多言語化と文化的適応にLLMを活用。トランスクリエーションプロセスでのAI支援と、正確性や文化的配慮における課題を分析している。

AI要約LLMエージェントを用いてポケモンAIプレイヤーの意思決定能力を最適化。プロンプトエンジニアリングとRAGで人間プレイヤー経験を取り込み、QLoRA微調整でLLama3.1を対戦データで訓練。勝率が18%から34%に改善した。

AI要約LLMを用いたクラシックゲームのエミュレーターPromptの実験記事。ポケモンを含む例で動作を検証し、Prompt例とGitHubリンクを共有する。

AI要約本論文はポケモン対戦で人間と同等の成績を達成するLLM組み込みエージェント PokeLLMon を提案する。方策は、対戦からのテキスト報酬を用いるインコンテキスト強化学習、外部知識を取り込む知識拡張生成、強力な相手への対応を安定させる一貫性ある行動生成の三要素で構成される。実戦では ladder で約49%、招待戦で約56%の勝率を示す。実装と対戦ログはGitHubに公開されている。