混元-GameCraft-2: 指令跟随的交互式游戏世界模型

arXiv 25.11 2025 69.1 method, system, application

TLDR

提出指令跟随交互式游戏世界模型，支持自然语言、键盘或鼠标控制，含评估基准。

评分理由

The paper presents a novel paradigm for interactive game world modeling with flexible instruction-driven control, supported by an automated dataset creation process and a dedicated benchmark. Strengths include the integration of diverse input modalities and causal grounding, while weaknesses may involve scalability and reliance on a large MoE model.

Read-first 评分解释

综合优先阅读分 69.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 51。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估、实验

主题相关性 42%

72.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：39。

关键词评分

interactive world model

world model

generative world model

video world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

用于生成式游戏世界建模的指令驱动交互范式，用自然语言、键盘或鼠标信号替代固定键盘输入
将大规模非结构化文本-视频对转换为因果对齐交互式数据集的自动化流程
用于对相机运动、角色行为和环境动态进行细粒度控制的文本驱动交互注入机制
专注于交互的基准测试InterBench，用于全面评估交互性能

方法

该模型基于一个14B图像到视频的混合专家（MoE）基础模型，集成了文本驱动的交互注入机制以实现细粒度控制。一个自动化流程将大规模非结构化文本-视频对转换为因果对齐的交互式数据集。评估使用新引入的专注于交互的基准测试InterBench进行。

关键结果

该模型生成时间上连贯且因果上合理的交互式游戏视频，忠实响应多样化的自由形式用户指令，例如“开门”、“画火炬”或“触发爆炸”。

技术栈

14B image-to-video Mixture-of-Experts (MoE) foundation modelText-driven interaction injection mechanismInterBench

资源

论文项目