StatePlay：面向机制一致生成的状态感知游戏世界模型

arXiv 2026 40.2 method

TLDR

StatePlay通过混合专家Transformer架构联合预测视觉内容和游戏状态，确保机制一致的游戏世界生成。

评分理由

The paper addresses a clear gap in game world models by explicitly modeling state-dependent game mechanics, with strong quantitative results (state prediction L1 < 0.06, 18.6% improvement in mechanics fidelity). However, the evaluation is limited to game domains, and the claim of 'complete' generation is not fully supported by the abstract alone.

Read-first 评分解释

综合优先阅读分 40.2，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 48。

近期性 6%

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 29%

68.6

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 18%

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：实验

可复现性 18%

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

引用影响力 18%

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 12%

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

排序敏感性

稳定性：volatile；排名波动范围：312。

关键词评分

world model

generative world model

interactive world model

world dynamics prediction

world simulator

video world model

model-based reinforcement learning world model

深度分析

创新点

状态感知游戏世界模型，联合预测视觉帧和游戏状态以实现机制一致生成。
混合专家Transformer（MoT）架构，具有专门的视觉和状态分支、跨模态交互以及模态特定优化目标。
显式状态预测以强制执行游戏机制，超越像素级真实感。

方法

StatePlay是一种混合专家Transformer模型，联合预测视觉内容和游戏状态，以玩家动作为条件。它通过跨模态交互保留专门的视觉和状态表示，允许预测的状态引导帧生成，每个分支采用适合其模态的独特目标进行优化。

关键结果

StatePlay在状态预测上实现了平均归一化L1距离低于0.06，并且相比没有显式状态建模的模型，机制保真度提高了18.6%。

资源

论文