知识卡片：可编程世界模型（Programmable World Model）

一句话结论

据候选摘要，Programmable World Model 将“世界状态演化”与“视觉观测生成”解耦：由自然语言编译出的可执行程序维护显式、持久、含屏幕外实体与非视觉属性的全局世界状态，再通过状态增强的 3D 有向包围盒（OBB）确定性编译为预训练视频模型的时空条件信号；但论文正文未能抓取，除元数据与候选摘要外的细节均待核实。

事件概述或研究问题

• 来源标注为 arXiv 预印本（URL 见下），Track 为 academic，主题为 foundation-model，Manual title 为 “Programmable World Model”。作者、机构、投稿状态、是否已被会议接收等均待核实。
• 候选摘要指出的问题：近期视频世界模型能生成日益逼真、可交互的视觉体验，但缺乏可靠机制来维持持久的世界状态，也难以在长时间交互中对世界规则进行“可编程”的约束。
• 研究目标（据候选摘要）：构建既能持久维护世界状态、又能让用户以可执行规则直接控制实体及其交互的“可编程世界”。

方法/产品要点

据候选摘要，该框架包含以下要点（具体实现细节待核实）：

• 状态与渲染解耦：世界状态演化与视觉观测生成分为两条链路。
• 自然语言→可执行程序：由 agent 将自然语言指令翻译为可执行程序，程序中规定实体状态与状态转移规则，从而可直接控制单个实体及其相互作用。
• 轻量执行引擎：执行上述程序，更新并维护显式、持久的全局世界状态，覆盖屏幕外实体与非视觉属性。
• 中间表示：引入“状态增强的 3D 有向包围盒（state-augmented 3D oriented bounding boxes, OBBs）”，用于把世界状态与视觉生成连接起来。
• 确定性条件编译：将 OBB 表示与目标相机轨迹一起，确定性地编译为像素对齐的时空条件信号，驱动作为生成式渲染器的预训练视频模型。
• 宣称的能力：用户可创建具有预设机制的可玩游戏，对单个实体直接控制，并在整个游玩过程中保持持久世界状态。
• 评测集：提出 CombatStateBench，用于评估可编程世界模型。
• 是否开源、是否提供 demo、程序语言形式（DSL / 通用语言）、执行引擎的具体设计、支持的视频模型是哪一类，均待核实。

主要结果或产业意义

• 据候选摘要，在 CombatStateBench 上该方法取得 94% Count Accuracy 与 98% State Accuracy，明显优于既有交互式视频世界模型，并支持连贯的长时程生成。上述数字仅来自候选摘要，待核实（包括指标定义、基线集合、评测规模与统计方式）。
• 产业意义上的可能指向（属推论，待核实）：若“规则可编程 + 状态持久”成立，世界模型可能从“被动观看的视频生成”转向“可被规则约束与调试的可交互环境”，这类能力更贴近游戏原型、仿真训练与内容生产工作流。相关落地成熟度无法从现有材料确认。

为什么重要

• 与既有脉络的关系：已有的“流式多智能体自回归扩散模型与世界状态寄存器”卡片中，WorldWeaver 通过在生成过程中引入跨智能体共享的世界状态寄存器来提升一致性；本条若成立，增量在于把状态维护进一步外置为可执行程序驱动的显式状态机，并把状态→像素的连接做成确定性编译，而非仅靠隐式寄存器或注意力机制约束。与“M⁴World”相比，后者聚焦驾驶场景的多视角视频与 LiDAR 流及物体级操控，本条宣称的目标更偏向可编程规则与游戏化交互，二者场景与评测不同，差异细节待核实。
• 方法学上的看点：把“模拟器式状态更新”和“生成式渲染”分工，是绕开长时程生成中状态漂移与一致性衰减的一条思路；代价是系统复杂度与规则覆盖度。该权衡的实际表现待核实。

局限与不确定性

• 正文未能抓取，本卡片内容全部基于元数据与候选摘要，未与论文原文核对。
• 待核实项包括但不限于：作者与机构；发表状态与版本信息（v1）；arXiv 编号与实际发布时间的对应关系；方法的形式化定义；OBB 表示的构造与标注来源；是否依赖人工规则编写或仍需本体/资产标注；评测的基线清单、指标定义、样本量与开放性；长时程生成的具体时长；是否存在算力、延迟或实时性数据；是否有人类评估；许可与开源情况。
• 摘要中“playable games”“direct control”“persistent world state”等为作者自述能力，尚无第三方复现证据，待核实。
• CombatStateBench 为论文自建基准，是否存在自评偏差待核实。

可用于图书/PPT/简报的角度

• “状态与像素分离”：世界模型架构中显式状态层 vs 生成渲染层的分工图谱。
• 从“世界状态寄存器”到“可执行世界状态程序”：一致性维持手段的演进线索（可与其他世界模型卡片串联）。
• 自然语言作为世界规则编程接口：LLM/agent 在仿真与游戏中的新角色。
• 中间表示的力量：OBB 之类结构化表征作为“神经渲染的可控接口”。
• 评测缺口：如何衡量“世界状态正确性”，以及自建基准（CombatStateBench）的意义与争议。
• 与驾驶/多传感器世界模型（如 M⁴World）的对照：不同场景下“可控性”的不同定义。

原始材料

• 标题（英文，保留原样）：Programmable World Model
• 来源类型：arXiv 预印本（academic track）
• URL：https://arxiv.org/abs/2609.10540v1
• 关键词（英文，保留原样）：Programmable World Model；world model；video generation；persistent world state；state-augmented 3D oriented bounding boxes (OBBs)；CombatStateBench
• 抓取状态：正文未能抓取；本卡片仅依据元数据与候选摘要撰写，凡未确证处均标注“待核实”。
• Parent digest：无
• Parent URL：无