补看：游戏规则交给程序，世界模型负责画面

Programmable World Model

由程序记录世界状态和交互规则，再让视频模型生成画面；补看完整论文，推理代码与权重尚未公开。

首次公开：2026-09-09 · 收录：2026-09-11

相关期次：2026-09-11 精选

阅读笔记

Programmable World Model 的项目页于 9 月 5 日公开，论文于 9 月 9 日提交；这里补看的是新近完整论文，不当作昨天首次发布的项目。它针对一个熟悉的问题：生成的视频看起来连贯，但镜头一转，画面外的人物和已经发生的事件可能被“忘掉”。

作者让程序保存对象的位置、状态和交互规则，视频模型负责把这些状态画出来。自然语言先被 Agent 转成可执行规则；引擎维护世界状态，再用带状态的三维包围盒生成空间控制信号，交给视频生成器。角色离开镜头后仍存在，事件是否发生也有明确记录，画面不再独自承担全部记忆。

在作者自建的 50 段 CombatStateBench 测试中，数量准确率和状态准确率分别为 94% 和 98%。这两个指标由视觉语言模型判读，且状态指标只检查死亡事件后是否出现相应画面，不要求认出具体角色；对照模型使用的控制接口也不同。因此，结果说明显式状态控制有帮助，尚不能证明通用游戏模拟已经解决。仓库目前仍把推理代码与预训练权重列为未发布。

重要度：8/10；9月5日项目页之后，9月9日完整论文可核验显式状态与生成画面的分工；作为补看。
原始链接：https://arxiv.org/abs/2609.10540
代码：https://github.com/AlayaLab/pwm
本期资料：https://www.asteronline.cn/juju-radar/2026-09-11/
AI辅助整理。

笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。