世界模型與生成式影片
Code World Model 以可執行程式保存世界狀態，再交由影片模型渲染
新框架讓 coding agent 維護規則與長期後果，再把狀態編譯成深度及語義代理影片，約束 MiniMax-H3 生成畫面。原型展示了五組受控場景，但沒有量化基準、消融實驗或即時生成結果。
西湖大學與南洋理工大學研究者提出 [Code World Model](https://arxiv.org/abs/2608.25927)，把「世界如何演化」與「世界看起來如何」拆成兩條計算路徑。coding agent 負責解讀事件、撰寫或修改程式；可執行程式則在每個 tick 更新位置、關係、規則及事件歷史。相較只從短影片推測下一幀，這種狀態可以保留已離開鏡頭的角色，以及要在較長時間後才發生的後果。
系統不直接把程式碼餵給影片生成器，而是將更新後的狀態確定性地編譯成逐幀 proxy video。原型以固定對數深度圖及語義 ID 圖表示場景佈局、物件位置、遮擋、移動路徑與攝影機軌跡；文字提示則補上身份、外觀及動作語意。影片模型因此負責紋理與細緻運動，而不必同時猜測隱藏規則。
研究者以 MiniMax-H3 Ref2VA 為視覺骨幹，從 157 段、約 5.6 小時遊戲錄影建立 9,420 組五秒配對資料。訓練在全部 50 個 Transformer block 加入 rank-128 LoRA，約有 596M 可訓練參數，使用八張 H800 跑三個 epoch。目標影片包含 124 幀、解析度 1344×768、24 FPS；輸入 proxy 則降至 336×192，顯示中介表示刻意只保留粗略時空約束。
[專案頁](https://buaacyw.github.io/cwm/)展示長時間維持同一世界狀態、每 60 秒更換視覺風格，以及不同角色和場景的生成例子。論文聲稱模型能跟隨物件位置、相機與運動約束，但證據只有五組定性案例，沒有控制準確率、影片品質、延遲或對照消融；真實影像管線亦只示範如何從 KITTI-360 幾何資料建立 proxy，實際微調仍使用遊戲資料。這較適合視為可檢查狀態與生成式渲染之間的介面原型，而非已可即時運行的開放世界引擎。下一步關鍵是釋出完整程式、加入長程狀態壓力測試，並量化代理改寫錯誤會如何傳播至視覺結果。