可编程世界模型

arXiv 2026 39.4 method, system

TLDR

Programmable World Model 将持久世界状态与视频生成解耦，用可执行程序和3D OBB实现可控游戏世界，优于现有交互视频模型。

评分理由

The paper introduces a clear framework for persistent, programmatically controllable world state in video generation, with a new benchmark and strong quantitative results. However, the abstract provides limited details on generalization, scalability, and comparison protocols, and the benchmark may be narrow.

Read-first 评分解释

综合优先阅读分 39.4，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 52。

近期性 5%

100

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：2026

主题相关性 25%

74.3

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

方法质量 15%

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、评估、结果

可复现性 15%

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：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

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：498。

关键词评分

world model

interactive world model

video world model

world simulator

generative world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

Programmable World Model 框架，将世界状态演化与视觉观测生成解耦
将自然语言指令转化为可执行程序，指定实体状态与状态转换规则
轻量级引擎维护显式、持久化的全局世界状态，包括屏幕外实体和非视觉属性
状态增强的3D有向边界框 (OBB) 作为中间表示，确定性编译为像素对齐的时空条件信号，用于预训练视频模型
用于评估可编程世界模型的 CombatStateBench 基准

方法

该框架将状态演化与视觉生成解耦：智能体将自然语言指令转化为可执行程序，轻量级引擎执行这些程序以维护显式、持久化的全局世界状态。状态增强的3D有向边界框和目标相机轨迹被确定性编译为像素对齐的时空条件信号，供作为生成渲染器的预训练视频模型使用。评估使用新引入的 CombatStateBench，并报告与现有交互式视频世界模型对比的 Count Accuracy 和 State Accuracy。

关键结果

在 CombatStateBench 上，该方法实现了 94% 的 Count Accuracy 和 98% 的 State Accuracy，显著优于现有交互式视频世界模型，同时支持连贯的长时程生成。

资源

论文