Programmable World Model

Summary

PWM 把 video world model 劈成两半——一个轻量 engine 按 coding agent 写出的可执行程序维护 canonical world state（实体 / 属性 / 关系 / 规则），pretrained video model 退居为 renderer——中间用 state-augmented 3D OBB 相连：OBB 在目标相机下被确定性编译成 identity / semantic / direction 三张 pixel-aligned control map，驱动挂在冻结 LingBot-World-v1 上的 Structured Spatial ControlNet。自建的 CombatStateBench（50 clip）上 Count Accuracy 94.00 / State Accuracy 98.00，对照 LingBot-World-V2 的 40.75 / 8.00 与 YUME 的 32.00 / 58.00。但主表几乎不构成对”programmable engine”的证据——两个 baseline 只能靠 prompt switching 接收状态转移，而 PWM 把”哪个实体该画在哪、死没死”当作 dense pixel-aligned 条件直接送进网络，表里量的更接近”ControlNet 是否跟随自己的条件”；全文零 ablation，真正值钱的是 Sec 2 那条 training–inference asymmetry 论证，而它没有被任何实验检验。

Problem & Motivation

作者对现有 interactive video world model 提了三条缺口，三条都指向同一件事：这些模型能生成合理的观测，但没有一个可被程序读写的世界。第一，控制接口只能指定相机、动作或高层 prompt，无法直接寻址和操纵某一个实体；第二，没有独立于当前视角存在的显式全局状态，因而 off-screen 实体、inventory、任务进度、交互历史这些不在画面里的世界事实无处安放；第三，用户无法编写支配世界演化的规则——论文那句 “Prompting a desired outcome does not establish an executable rule that consistently governs subsequent interactions” 是全文最锋利的一句话。

值得记一笔的是这句话首先打的是自家前作：2607-AlayaWorld（同一 lab）的开放动作机制正是 chunk 级 prompt switching。PWM 的 problem statement 因此是一次明确的自我否定，这在同实验室的连续工作里不常见。

真正有分量的思考在 Sec 2 的表示权衡，它把”用什么中间表示”从审美问题变成了一个有结构的判断。作者指出训练与推理对同一表示的获取方向是相反的：训练时动态已经发生，表示是从已实现的动态里抽取出来的（Eq. 1，realized dynamics → structural representation）；推理时系统先拿到一个高层状态转移，必须主动构造出对应的时变结构表示，再交给生成模型实现（Eq. 2，state transition → structural representation → generated dynamics）。于是”训练时拿得到”不等于”推理时写得出”——说一个角色摔倒很容易，生成它的身体姿态与肢体轨迹很难。表示越细，系统就越是从”指定世界里什么变了”滑向”指定这个变化在几何与动力学上如何展开”，最终退化成传统动画、motion generation 或物理仿真要解的高维动态实现问题。表示选择因此是显式结构控制与生成式动态补全之间的边界线：太弱，本该被约束的实体位置与世界空间结构被甩给生成模型；太强，训练监督更贵且推理时要自己确定海量低层细节。3D OBB 被选为这条线上的折中点。

Method

Canonical world state 与程序化

世界状态写作 $s_t=({\mathcal{E}}_t,{\mathcal{A}}_t,{\mathcal{Q}}_t;{\mathcal{R}}_t)$：${\mathcal{E}}_t$ 是持久实体与其 3D 位姿，${\mathcal{A}}_t$ 是语义与功能属性，${\mathcal{Q}}_t$ 是实体间关系，${\mathcal{R}}_t$ 是可执行世界规则。初始化时一个 off-the-shelf 3D detector 从首帧 $I_0$ 恢复可见实体与几何布局，给出初始 OBB 与持久标识符（该 detector 在正文中未命名）。随后 agent orchestrator 把恢复出的 3D 布局与用户的自然语言描述 $q$ 合成一份 engine-readable world program：实体初始状态与属性、关系、支持的动作、动作与事件如何更新世界的规则，还可包含全局约束、事件触发器与任务目标，全部通过持久标识符 grounding 到检测出的实体上。

引擎转移 $s_{t+1}=F(s_t,a_t)$ 每步对照当前属性、关系与规则校验动作合法性，施加效果，解算被触发的事件。关键是 health、inventory、faction 这类在观测里没有直接视觉表现的变量也由引擎显式维护，并继续影响后续转移与渲染结果。

确定性 state compiler

$M_{t+1}^{\mathrm{ctrl}}=P(s_{t+1},C_{t+1})$ 不改动世界状态，只抽取渲染相关变量、在目标相机下投影 OBB，光栅化出三张 channel 拼接的控制图：

控制图	构造	作用
identity $M^{\mathrm{id}}$	一组 $K$ 个可学习 identity embedding，每个持久实体占一个固定 slot，embedding 光栅化到 OBB 可见投影上	跨遮挡、跨出入画维持实例对应；训练时 slot 在样本间随机、序列内固定，防止某个 embedding 与特定类别 / 外观 / 视角虚假绑定
semantic $M^{\mathrm{sem}}$	预训练 text encoder 编码语义标签 $y_i$，depth-aware 光栅化解遮挡，背景置零	给没有外观参考的新进实体提供类别先验；同类共享语义表示、靠 identity slot 区分
direction $M^{\mathrm{dir}}$	取引擎维护的 world-space velocity，旋到目标相机坐标系，量化成 forward / backward / left / right / static / up / down 七态，各配一个可学习 embedding	与 camera-conditioning 通路解耦：方向从 world-space 速度而非 image-space 位移算，相机运动不会把静止实体标成运动

Generative renderer

底座是 LingBot-World-v1，连同其自带的 camera-conditioning 通路整个冻结；新挂一个可训练 Structured Spatial ControlNet，把控制序列编码到 video latent 的空间分辨率，逐层产出 $r^{(\ell )}$ 加进主干对应 block。长时程走 chunk-autoregressive：chunk 内双向去噪，跨 chunk 边界因果传播。每个非首 chunk 额外吃两路记忆——temporal history 按 recent / mid-range / long-range 分档，近处 latent 投成细粒度 token、远处逐级粗化，并把 $I_0$ 的 latent 作为永久锚点保留，训练时对历史做噪声扰动、特征损坏与部分丢弃以容忍不完美的自回归上下文；geometry-aligned spatial memory 则直接沿用 AlayaWorld，把已完成 RGB 帧用估计深度与相机参数 lift 进 world-space，生成新 chunk 前检索并重投影到目标视角。

自动数据引擎

ViPE 估相机内参、位姿与 metric depth → Qwen3-VL agent 产出全局 caption 并挑出离散可数的物体类别集 → SAM3 按该类别集做 video instance segmentation 与 tracking（可见面积过小的 mask 丢弃）→ WildDet3D 接 2D box + RGB + depth + 内参回归逐帧 3D OBB $b_i^t=(\mathbf{p},\mathbf{d},\mathbf{R},\ell ,k)$ → 统一到世界坐标系按 track 聚合成轨迹，相邻中心位移量化成同一套七态（小位移阈值判 static）→ z-buffer 光栅化成三张 conditioning map。

Key Results

设置：训练数据是 Cyberpunk 2077（第一人称）、Forza Horizon 6 与 GTA V（第三人称）的 HUD-free gameplay 录像。数据规模、分辨率、训练算力、chunk 长度 $L$、窗口帧数 $T$、identity bank 大小 $K$、优化器与训练步数全部未报告——全文没有 implementation details 节，没有 limitations 节，没有附录（C8、C25）。

CombatStateBench：50 个 clip。每个场景由 Sec 4.5 的同一套 Data Engine 从首帧重建初始 3D 布局，再由一个 AI agent 依初始布局与抽取出的游戏规则自主演化出一段 combat 剧本，产出完整的 box-based 世界状态序列；一个自动 verifier 检查首帧重投影、metric depth 一致性、box 几何、地面接触、时间连续性、规定的相机与实体运动、状态转移的持久性，只保留全部通过的序列（候选池规模与拒绝率未报告）。

Method	Imaging	Subject Cons.	Background Cons.	Temporal Stability	Count Acc.	State Acc.
LingBot-World-V2	67.46	81.87	91.89	96.85	40.75	8.00
YUME	64.10	92.35	93.63	98.76	32.00	58.00
Ours	67.62	94.74	96.98	99.00	94.00	98.00

分母必须先看。Count Accuracy 摊在 400 帧上（每 clip 抽 8 帧），所以 94.00 = 376/400、40.75 = 163/400、32.00 = 128/400；State Accuracy 摊在 50 个死亡事件上（每事件抽 3 帧转移后画面，问 VLM 是否至少一帧画出了死亡角色），所以 98.00 = 49/50、8.00 = 4/50、58.00 = 29/50。六个值都恰好可实现，但 State Accuracy 的最小刻度是 2 pp——“98 vs 58” 实为 49 vs 29 个事件。50 clip 对 50 死亡事件意味着每 clip 恰好一次死亡，论文未言明；每 clip 的实体数也未报告，因此 Count Accuracy 的随机基线未知，40.75 与 32.00 无法与乱猜对照（C24）。

VBench 四项里有两项其实是平的：Imaging 相对 LingBot-World-V2 只有 +0.16，Temporal Stability 相对 YUME 只有 +0.24。论文写”Ours achieves the best performance across all four metrics”，并对 Subject Consistency（+12.87 / +2.39）与 Background Consistency（+5.09 / +3.35）逐一给出 “by X percentage points”，唯独在 Imaging Quality 这项上改口不报差值（C16）。真正有量级的只有前景实例一致性那一项。

baseline 怎么被喂状态：两个 baseline 都不暴露实例级状态接口，于是状态转移只能通过 prompt switching 传达，文本条件按 {environment description}. {action description}. 更新，其余原生条件通路保留（C4）。

一个论文自己没点破的反转：LingBot-World-V2 的 Count Accuracy 高于 YUME（40.75 vs 32.00），State Accuracy 却低到近地板（8.00 vs 58.00）。正文只做 Ours-对-各 baseline 的两两对比，从不把两个 baseline 互比，也没解释 8.00 这个数（C20）。这个反转说明 prompt-switching 协议对两个模型的作用方式根本不同——一个照着 prompt 演出死亡却把存活计数搞乱，另一个保住了计数却几乎不执行事件。把两者一并算作”implicit state 的失败”抹掉了这个结构差异。

定性：Fig. 5 展示 minotaur 新场景、大角度相机旋转揭出初始视野后方的三个角色、赛车场景、人车异类联合渲染，以及一段 897 帧自回归序列里 NPC 逐渐入场。其中 (b)(e) 的首帧取自训练未见的 GTA V 数据，(a)(c)(d) 的首帧由 GPT Image 2 生成（C23）。897 帧那段只有”maintains reasonable visual and temporal stability”的定性描述，无任何漂移或一致性数字；项目页把它升级成 “no drift across 897 frames”，比论文本身的措辞更强（C14）。

Evidence Ledger

Claim ID	Claim	Type	Source locator	Evidence excerpt	Status
C1	Table 1 六列全数：LingBot-World-V2 = 67.46 / 81.87 / 91.89 / 96.85 / 40.75 / 8.00；YUME = 64.10 / 92.35 / 93.63 / 98.76 / 32.00 / 58.00；Ours = 67.62 / 94.74 / 96.98 / 99.00 / 94.00 / 98.00	number	Table 1, Sec 5.2	”Ours 67.62 94.74 96.98 99.00 94.00 98.00”	source-verified
C2	正文声明的八个差值全部算得通：Count +53.25 / +62.00，State +90.00 / +40.00，Subject +12.87 / +2.39，Background +5.09 / +3.35	number	Sec 5.2 “Quantitative Results” 与 “Video Quality"	"exceeding LingBot-World-V2 by 53.25 percentage points and YUME by 62.00 percentage points”	source-verified（八项独立重算，零算术错误）
C3	分母：Count Acc 摊 400 帧（8/clip），State Acc 摊 50 个死亡事件（每事件 3 帧）；六个报告值均整数可实现（376/163/128 of 400；49/4/29 of 50），State Acc 最小刻度 2 pp	benchmark-setting	Table 1 caption + Sec 5.1 “Benchmark"	"Count Accuracy is evaluated over 400 sampled frames (eight per clip), and State Accuracy over 50 death events”	source-verified（分母独立重算）
C4	两个 baseline 只能通过 prompt switching 接收状态转移，文本条件更新为 {environment description}. {action description}.，其余原生条件通路保留	benchmark-setting	Sec 5.2 “Baselines” + Eq. 16	”Since neither method exposes an external instance-level state interface … we communicate state transitions through prompt switching”	source-verified
C5	本文 renderer 建在冻结的 LingBot-World-v1 上，只训 Structured Spatial ControlNet；baseline LingBot-World-V2 是同系列更晚的模型；Table 1 只有三行，本文自己的 backbone 从未被单独评测	benchmark-setting	Sec 4.4.1 + Table 1	”We build the renderer on top of LingBot-World-v1 … the pretrained main branch … is frozen, while the newly introduced spatial-control branch is optimized”	source-verified
C6	全文零 ablation：Sec 2 列出的 text / 2D box / mask / G-buffer / 完整 3D 表示谱系纯属分析论证，无任何实验；identity / semantic / direction 三张图、temporal history、spatial memory 均无 leave-one-out	benchmark-setting	全文检索	检索 “ablat” / “w/o” / “leave-one-out” / “without” 无任何消融内容	source-verified（absence，已全文检索）
C7	评判者为 Qwen3.6-27B，只看 RGB 帧，不给 ground-truth box、身份、预期计数或死亡位置；无任何 judge 校验、人机一致性或 user study	benchmark-setting	Sec 5.2 “VLM-based Evaluation"	"We use Qwen3.6-27B as the VLM judge. The judge observes only RGB frames”	source-verified
C8	训练数据恰为三款游戏录像（Cyberpunk 2077 / Forza Horizon 6 / GTA V）；无数据规模、无 GPU / 训练时长 / batch size / learning rate / 训练步数	benchmark-setting	Sec 5.1 “Training Data” + 全文检索	”We collect HUD-free gameplay videos from Cyberpunk 2077, Forza Horizon 6, and Grand Theft Auto V.”	source-verified
C9	direction map 由引擎 world-space velocity 旋到目标相机系后量化成七态；identity map 用 $K$ 个可学习 embedding，slot 训练时样本间随机、序列内固定	causal-mechanism	Sec 4.3 “direction map” / “identity map"	"takes its world-space velocity … rotates it into the coordinate system of the target camera, and quantizes … into one of seven states”	source-verified
C10	geometry-aligned spatial memory 明确沿用 AlayaWorld，非本文贡献（Sec 1 贡献清单亦未列入）	causal-mechanism	Sec 4.4.2	”we adopt the geometry-aligned spatial memory mechanism of AlayaWorld (Team et al., 2026a)“	source-verified
C11	CombatStateBench 的 ground truth 由与训练数据同一套 Data Engine 产生，剧本由 AI agent 自主演化，自动 verifier 只保留全部通过一致性检查的序列	benchmark-setting	Sec 5.1 “Benchmark"	"Only sequences that satisfy all consistency checks are retained for evaluation.”	source-verified
C12	定量测的世界状态属性只有两条：可见存活角色数、死亡事件是否被视觉实现。program 生成正确性、off-screen 持久性、health / inventory / faction、以及死亡以外的任何规则均无定量评测	benchmark-setting	Sec 1 contributions + Sec 5.2	”focusing on visible alive-character counts and the visual realization of death states”	source-verified（absence）
C13	github.com/AlayaLab/pwm 公开但只含 README 与 assets 目录；roadmap 中 Inference code 与 Pretrained weights 均未勾选；arXiv v1 2026-09-09，主类 cs.CV，CC BY 4.0	license-code	GitHub API contents + README；arXiv abs 页	”- [x] Project page … - [ ] Inference code - [ ] Pretrained weights”；README “Citation: Coming soon.”	source-verified
C14	897 帧自回归序列仅为定性结果，正文只写 “maintains reasonable visual and temporal stability”，无任何漂移 / 一致性数字；项目页的 “no drift across 897 frames” 强于论文措辞	number	Fig. 5(e) caption + Sec 5.3 + 项目页	”Selected frames from an 897-frame autoregressive sequence in which many NPCs progressively enter the scene”	source-verified
C15	论文声称可”create playable games”，但全文无 latency / FPS / 吞吐 / 推理成本任何数字；四处 “real-time” 全部描述他人系统	benchmark-setting	Abstract、Fig. 1 caption vs 全文检索	”This design allows users to create playable games with predefined mechanics”	source-verified（absence）
C16	Imaging Quality 差距仅 +0.16（67.62 vs 67.46），正文仍称 “best performance across all four metrics”，且唯独该项不给 “by X percentage points” 措辞	comparison	Sec 5.2 “Video Quality"	"Ours achieves the best performance across all four metrics. For Imaging Quality, Ours achieves 67.62, compared with 67.46”	source-verified
C17	11 位作者；隶属 Alaya Lab / National Taiwan University / National Yang Ming Chiao Tung University；Zhixiang Wang 为 Project Lead，Kaipeng Zhang 为通讯之一；有 equal-contribution 标记	number	arXiv abs 页 + 项目页 + 论文题名页	”Zhixiang Wang (Project Lead), Kaipeng Zhang”；”⋆ denotes equal contributions”	source-verified（隶属仅项目页可验，arXiv HTML 已剥离 affiliation 块）
C18	数据管线：ViPE 出内参 / 位姿 / metric depth，Qwen3-VL agent 发现语义类别，SAM3 做实例分割与跟踪，WildDet3D 回归逐帧 3D OBB	causal-mechanism	Sec 4.5	”we use ViPE … to estimate the camera intrinsics, camera poses, and metric depth map”	source-verified
C19	StatePlay 与 MASS 在 Sec 3.2 被列为最接近的 explicit-state 工作，但两者均未进入 Sec 5 的任何实验对比，论文未给出省略理由	benchmark-setting	Sec 3.2 vs Sec 5.2 “Baselines"	"MASS (Cai et al., 2026) further introduces an authoritative typed state for multiplayer world modeling”	source-verified
C20	LingBot-World-V2 的 Count Acc 高于 YUME（40.75 vs 32.00）却 State Acc 远低（8.00 vs 58.00）；正文从不把两个 baseline 互比，也未解释近地板的 8.00	comparison	Table 1 + Sec 5.2 正文	”For State Accuracy, Ours reaches 98.00, outperforming LingBot-World-V2 by 90.00 percentage points and YUME by 40.00”	source-verified
C21	Sec 5.2 用的四项（Imaging Quality / Subject Consistency / Background Consistency / temporal flickering）是 VBench 1.0 维度，但唯一引用是 VBench-2.0（arXiv:2503.21755），后者已替换这些维度	benchmark-setting	Sec 5.2 “Video Quality” + 参考文献 [24]	“We evaluate perceptual and temporal quality using four VBench Zheng et al. (2025) metrics.”	source-verified
C22	判分模型 “Qwen3.6-27B” 无参考条目、无链接、无 checkpoint 版本、无 prompt，却是两个头条数字的唯一裁判	benchmark-setting	Sec 5.2 “VLM-based Evaluation” + 参考文献	参考文献列表中无 Qwen3.6 相关条目	source-verified
C23	State Accuracy 的判据是”转移后 3 帧中至少一帧出现死亡角色”，不要求指明是谁、死了几个；论文公开承认这点但未报告互补的误杀率	benchmark-setting	Sec 5.2 Eq. 18 及其后段	”This metric does not require the VLM to identify which character died or where the event occurred”	source-verified
C24	50 clip 对 50 死亡事件隐含每 clip 恰好一次死亡（未言明）；每 clip 实体数未报告，Count Accuracy 的随机基线因而未知	benchmark-setting	Table 1 caption + Sec 5.1	”State Accuracy over 50 death events, with three post-transition frames sampled per event”	source-verified
C25	$K$（identity bank 大小）、$T$（窗口帧数）、$L$（chunk 长度）、输出分辨率、ControlNet 规模、优化器、训练步数全部只有符号无数值；Fig. 5 中 (a)(c)(d) 的首帧由 GPT Image 2 生成，仅 (b)(e) 用训练未见的真实 GTA V 帧	benchmark-setting	全文 Sec 4.3–4.4 + Sec 5.3	”we sample first frames from GTA V data that are unseen during training, whereas the first frames in (a), (c), and (d) are generated using GPT Image 2”	source-verified

25 条高风险 claim 全部 source-verified，其中 C20–C25 由独立 verifier 在核查中额外发现。Table 1 的 18 个数值、正文声明的 8 个差值、以及六个百分数在各自分母下的整数可实现性均经独立重算，无算术错误。source-verified 仅表示 primary source 确实这么写，不表示结果已被独立复现。

Strengths & Weaknesses

最有价值的是 Sec 2，而它一个实验都没有。 training–inference asymmetry 是一条真正干净的分析：训练时结构表示是从已实现的动态里抽取的，推理时却要从一个高层状态转移反向构造出来，因此”训练数据里拿得到某种表示”完全不蕴含”推理时写得出它”。这条论证把中间表示的选择从审美问题变成了一条可判断的边界——表示越细，系统就越是在替生成模型回答”这个变化在几何上如何展开”，最终退化成动画与物理仿真要解的问题。这个判断对 vault 里所有”给生成模型加结构条件”的工作都直接可用，是本文唯一我会长期引用的东西。但论文既没有把 OBB 与 2D box、mask、G-buffer 中的任何一个放到同一张表上比，也没有测量 OBB 自身的残余 mismatch，Sec 2 因此始终停在 framing（C6）。

更刺眼的是：这条 asymmetry 在论文内部就有一个现成的实例，作者没量。 训练时 direction 态是从 WildDet3D 估计出的 world-space box 中心位移量化来的（还带一个小位移阈值判 static），推理时却来自引擎的解析 velocity；训练时的”摔倒”是检测器套在关节体上的抖动 box 序列，推理时的”摔倒”是一次刚性 box 旋转。这正是 Sec 2 花整节论证的那个 mismatch 下沉一层后的样子，而全文对它只字未提。

主表衡量的不是 programmability。 Count Accuracy 问的是”画面里存活角色数是否等于引擎记录数”，State Accuracy 问的是”死亡事件是否被画出来”——而 PWM 恰恰把每个存活实体该占哪块像素、语义标签变成什么，以 dense pixel-aligned control map 的形式直接送进了 ControlNet。答案就在输入里。这张表测的接近”ControlNet 是否跟随自己的条件”，而不是”显式引擎是否比隐式状态更好”。论文的辩护是这两个指标”permissive、global，并不直接奖励我们的实例级对应”，但这是另一回事：宽松与否不改变信号本身携带答案这一点。一个没有任何引擎、由人手写同一批 OBB 序列的系统会拿到相同分数——所以 53.25 / 90.00 这两个 pp 差不能归给 programmable engine，只能归给 conditioning interface。而 conditioning interface 打赢 prompt switching，几乎是先验成立的（C4）。

缺的那一行对照非常具体。 论文建在 LingBot-World-v1 上，却拿同系列更晚的 LingBot-World-V2 当 baseline，而 v1 从未被单独评测（C5）。于是两件事被搅在一起：ControlNet 的贡献，与 v1→v2 的代际差。Imaging Quality 上”更旧的底座 + ControlNet”只比 V2 高 0.16 这个反常结果，正是这个混淆的副产品，论文没有解释。真正该有的是第四行：同一个 v1 backbone，不给结构控制、只给 prompt switching。那一行才是本文全部主张的承重墙。

“programmable”那一半完全没被评测。 coding agent 把自然语言写成世界程序，是标题里的词、Figure 1 的左半边、也是三条贡献的第一条；但全文没有一个数字衡量它——程序生成的正确率、规则的覆盖与冲突、用户改一句话后世界行为是否如预期改变，全部缺席（C12）。被量化的唯一状态转移类型是”死亡”，而它恰好是最容易被 OBB 姿态 + 语义标签表达的那一种。inventory、task progress、faction 这些论文用来论证”必须有显式状态”的例子，一个都没进评测。

benchmark 自产自销，判分者无校验。 CombatStateBench 的初始布局、剧本演化与一致性筛选全部由训练数据同一套 Data Engine 完成（C11），因此 benchmark 与训练集共享同一批标注失效模式；候选池大小与拒绝率未报告。判分者 Qwen3.6-27B 没有参考文献、没有 checkpoint、没有 prompt，也没有任何人机一致性检验（C7、C22）——它是两个头条数字的唯一裁判。State Accuracy 的判据还留了个口子：只要转移后三帧里有一帧出现死亡角色即算通过，不问是谁、不问死了几个，一个乱杀实体的渲染器会拿满分；论文坦承了这个宽松性，但没报互补的误杀率（C23）。

统计强度撑不住”best across all four metrics”。 50 个 clip、单次运行、无 error bar、无种子重复。State Accuracy 的最小刻度是 2 pp，Imaging 的 +0.16 与 Temporal Stability 相对 YUME 的 +0.24 完全落在噪声里（C3、C16）。可信的只有 Subject Consistency +12.87 和两个世界状态指标的量级差，而后者的解读问题见上。

一份不可复现的技术报告。 没有 implementation details 节、没有 limitations 节、没有附录；$K$、$T$、$L$、分辨率、ControlNet 规模、优化器、训练步数全是符号（C25）；数据规模与训练算力未报（C8）；代码与权重的 roadmap 两项都还没勾（C13）。加上 VBench 引的是 2.0 却用 1.0 的维度（C21），整体校对深度与 2607-AlayaWorld 那篇”零定量评估”的前作相比是进了一步，但仍停在 preview 的成色。

它躲开了最该打的两个对手。 StatePlay（联合预测观测与游戏状态变量）与 MASS（multiplayer 的 authoritative typed state + learned Logic Engine）在 Sec 3.2 被点名为最近邻，论文还准确指出了它们的弱点——状态由模型预测因而会累积误差、转移由学习得到的 Logic Engine 推进。这个批评是对的，也正因为对，它们才是唯一能检验”规则必须可执行而非被学习”这一主张的对照。两者都没进 Sec 5，也没给省略理由（C19）。现有的两个 baseline 连显式状态接口都没有，赢它们证明不了这条主张。

Connections

• 2607-AlayaWorld（同 lab 前作，既是被否定的对象又是被复用的部件） — AlayaWorld 的开放动作机制是 chunk 级 prompt switching，而 PWM 的 problem statement 恰好是”prompt 一个期望结果并不能确立一条持续生效的可执行规则”。有意思的是 PWM 在评测里把 prompt switching 作为 baseline 协议施加给别人（C4），却在架构里原样继承了 AlayaWorld 的 geometry-aligned spatial memory（C10）——被否定的是动作接口，被保留的是记忆机制。另一处连线更实际：vault 对 AlayaWorld 记的最大短板是”零定量评估、所有优越性 claim 都基于自选 demo”。PWM 补上了一张表，但 50 clip、2 个 baseline、0 个 ablation、judge 无校验，离”量化评估到位”仍有距离；这是同一 lab 连续两篇的证据强度曲线，值得继续跟。

• 2604-GenerativeWorldRenderer（同一作者线，谱系上更显式的那一端） — 一作 Zheng-Hui Huang 同时是该文一作，PWM 的 Figure 2 表示谱系把它归到”G-buffer / 更显式”的一端，并以”训练监督更贵、推理时要自己确定更多低层细节”为由不予采用。两篇还共享 Cyberpunk 2077 录像作为数据源。把两篇并读能得到一条清晰的自我修正轨迹：从”给生成渲染器喂 5 通道 dense G-buffer”退到”只喂 OBB 投影 + 三张稀疏语义图”，退让的理由写成了 Sec 2 的整节论证。缺的正是把这两个点放同一张表上的实验——同一个作者、同一批游戏数据，这个对照本该是最容易做的。

• 2607-ObjectCentricEnv（文本 agent 侧的同构方案，且已经解决了 PWM 没解决的那一半） — OCM 把 LLM agent 的经验记忆改写成可执行的 object / procedure 代码，并强制每条 procedure 对更新后的 object model 可执行才准提交。两者押的是同一个注：世界事实应当可执行、可审计、可修改，而不是藏在权重或上下文里。差别在验收——OCM 有 re-execution gate 守着代码与世界的一致性，PWM 的 world program 由 coding agent 一次写出后没有任何正确性检验（C12）。WorldModel 已记下 executable structure 这条 grounding 路线的共同边界：可执行不等于语义正确。PWM 是这条边界的又一个实例，而且是更弱的那一版。

• 2608-CodeAsWorld（同一个方法论失误的第二次出现） — Code-as-World 花大篇幅论证应把物理世界写成可执行代码，vault 对它的评语是”全文没有任何实验比较 code / pixel / 3D / language 哪种表示更好”。PWM 犯的是同一个错，甚至更整齐：整个 Sec 2 就是一篇表示选择论，而 Sec 5 一次表示对比都没做。两篇合起来构成一个值得警惕的 pattern——“表示选择”类论文倾向于用分析论证替代对照实验，因为对照实验要求把竞争表示各训一遍，成本高且结果未必有利。判断这类工作时应当先问”哪张表比较了表示”，而不是”论证是否漂亮”。

• 2608-WorldExam（PWM 该进而未进的外部评测） — WorldExam 把可控视频生成拆成 Visual Quality / Control Adherence / Spatial Consistency / World Reactivity 四层，1,474 个 case、20 个模型，并且已经把 LingBot-World 收进 dynamic-interaction track。它的 World Reactivity 维度（只给出发控制、刻意不写明预期反应）恰好测的是 PWM 自建 benchmark 完全没覆盖的东西：世界在没有被显式编程时应当如何回应。PWM 用 50 个自产 clip 加 2 个 baseline 立论，而一个现成的、含同系列 backbone 的外部评测已经存在——这是本文可信度上最容易补的一个缺口。

• 2604-AgenticWorldModel / WorldModel-Survey（定位） — 按 survey 采用的 Levels × Laws 刻度，PWM 是 Digital 约束域上一个结构特殊的 L2 Simulator：状态转移由手写规则而非学习模型承担，生成模型被彻底降级为 renderer。这与 survey 记录的主流趋势（把越来越多的世界逻辑吸进生成模型）方向相反，值得在 survey 里单列为”state–rendering 解耦”一支，并与 StatePlay（状态由模型预测）、MASS（状态由 learned Logic Engine 推进）构成一条从”全学习”到”全规则”的连续谱——PWM 是这条谱的规则端点，而它恰好没和另外两个点做过对比（C19）。

Mind Map

mindmap
  root((Programmable World Model))
    Problem
      控制接口只能指定相机与 prompt 无法寻址实体
      没有独立于视角的持久全局状态
      prompt 一个结果不等于确立一条可执行规则
      Sec2 训练从已实现动态抽取表示
      Sec2 推理须从状态转移反向构造表示
      表示选择即显式控制与生成补全的边界
    Method
      canonical world state
        实体 属性 关系 规则
        health inventory faction 显式维护
        coding agent 写出 world program
        engine 校验动作并解算事件
      state-augmented 3D OBB
        位置 尺寸 朝向 加持久身份与语义
        比 2D box 可跨视角重投影
        比 G-buffer 少定义大量低层自由度
      确定性 state compiler
        identity map K 个可学习 slot
        semantic map 文本编码器 加 depth-aware 光栅化
        direction map 世界速度旋进相机系量化七态
      generative renderer
        LingBot-World-v1 冻结
        Structured Spatial ControlNet 逐层相加
        chunk 内双向去噪 跨 chunk 因果
        多尺度 temporal history 加 I0 永久锚点
        geometry-aligned spatial memory 沿用 AlayaWorld
      数据引擎
        ViPE 出位姿与 metric depth
        Qwen3-VL 发现类别 SAM3 跟踪
        WildDet3D 回归逐帧 3D OBB
    Results
      CombatStateBench 50 clip 自产自销
      Count Acc 94.00 对 40.75 与 32.00
      State Acc 98.00 对 8.00 与 58.00
      Subject Cons 94.74 领先 12.87
      897 帧长序列仅定性
    Caveats
      dense 条件已携带答案 主表不测 programmability
      缺自家 v1 backbone 单独对照行
      全文零 ablation 表示谱系未被实验检验
      coding agent 生成正确性完全未评测
      唯一被量化的转移类型是死亡
      judge Qwen3.6-27B 无引用无校验
      State Acc 只问有无不问是谁 误杀不计
      benchmark 与训练共用同一 Data Engine
      两个最近邻 StatePlay 与 MASS 未进对比
      超参数据规模算力全缺 代码未放出

Notes

• 最该补的那一行实验，成本很低：同一个 LingBot-World-v1 backbone，不挂 ControlNet、只用 prompt switching 跑同样 50 个 clip。这一行能同时解决两个问题——把 v1→v2 的代际差从 ControlNet 的贡献里剥出来，以及给”显式引擎 vs 隐式状态”一个不被 backbone 差异污染的读数。现有三行里没有任何一行做得到这件事（C5）。

• 想验证的怀疑：主表的差距有多少来自”条件里带着答案”。做法是给两个 baseline 也喂投影后的 OBB 轮廓（哪怕只是一张灰度 mask），再看 Count Accuracy 还剩多少差距。如果差距塌掉大半，那么本文证明的是”dense 空间条件强于文本条件”，与 programmable engine 无关；如果仍保持量级，才说明持久 canonical state 本身在起作用。这是判断本文主张成立与否的关键实验，而它比补 ablation 更容易设计。

• Sec 2 的 asymmetry 应该被做成一个可测量的量，而不是停在论证。给定一族表示（text / 2D box / OBB / G-buffer），可以定义”抽取–构造 gap”：对同一段真实动态，分别测量（a）从视频抽取该表示的误差，（b）从高层状态转移程序化构造该表示与真实抽取值的距离。论文断言这个 gap 随表示细化而增长，但没给任何度量。PWM 自己的 direction map 就是现成的测试台——训练态来自 WildDet3D 估计位移，推理态来自引擎 velocity，两者的分布差异可以直接算（C9、C25）。这是我从这篇里能提出的最具体的后续。

• “规则由谁执行”这条轴目前只有三个点，且互不相比：StatePlay 让模型预测状态、MASS 用 learned Logic Engine 推进状态、PWM 用手写规则执行状态。三者对”转移误差如何被吸收”给出了完全不同的答案，而 PWM 在 Sec 3.2 准确指出了另外两个的弱点却没做任何实验对比（C19）。这条轴值得在 WorldModel-Survey 里单独立一节，PWM 是它的规则端点。

• 一个没解的观察：LingBot-World-V2 的 Count Accuracy 高于 YUME 却 State Accuracy 只有 8.00（4/50），而 YUME 反过来（C20）。两个 baseline 在 prompt-switching 协议下的失效模式是正交的，论文把它们并列成”implicit state 的失败”抹平了这个信息。如果 LingBot-V2 几乎从不执行死亡事件，那它的 State Accuracy 更像是在测”该模型是否响应 prompt 中途切换”，而不是”隐式状态能否维持世界事实”——这会削弱把它当作 implicit-state 代表的资格。此处未采信任何进一步推论，需要看两个 baseline 的实际生成结果才能判断。

• 项目页比论文更敢说：论文对 897 帧只写”maintains reasonable visual and temporal stability”，项目页写成 “no drift across 897 frames”（C14）。引用时以论文措辞为准。