본 논문은 포켓몬 VGC 게임의 막대한 전략 공간(약 $10^{139}$)을 고려하여, 재훈련 없이 다양한 전략 환경에 적응하는 AI 에이전트 개발의 어려움을 다룹니다. 특히 포켓몬 VGC의 이산적이고 조합적인 팀 구성 특성으로 인해 최적 전략이 자기 팀과 상대 팀에 따라 크게 변화하여 일반화가 어렵다는 점을 지적합니다. 이에 연구진은 VGC-Bench라는 벤치마크를 제시합니다. VGC-Bench는 인프라 제공, 평가 프로토콜 표준화, 인간 플레이 데이터셋 및 다양한 기준 모델(대규모 언어 모델 에이전트, 행동 복제, 강화 학습, 자가 대결, 가상 플레이, 이중 오라클 등)을 제공합니다. 단일 팀 구성 환경에서의 제한된 실험에서는 제시된 방법이 전문 VGC 경쟁자를 이겼으나, 팀 규모가 커짐에 따라 성능이 저하되는 것을 확인하여 다양한 팀 전략에 대한 정책 일반화가 여전히 해결해야 할 과제임을 보여줍니다. 소스 코드는 공개되어 있습니다.
