这套 Stateful Harness 框架提出世界模型全新分工思路,一改过去单一流视频模型同时负责逻辑推演和画面生成的老方案,把整个模拟系统拆成两大独立模块,规则模块优先处理世界状态、物理逻辑、事件判定,先算清楚动作带来的确定结果,像素渲染模块只负责按照已经确定好的事件去生成画面,不需要再自行猜测背后因果,在 WorldState-Bench 基准测试中,模型规则合规率从原本的 32% 提升到 92%,而且视频后端模型不用重新训练和微调,解决传统视频世界模型容易出现逻辑矛盾、隐藏状态错乱的通病。
两套模块分工清单
- 规则模块(负责逻辑、状态):维护世界状态账本,包含物体属性、数值、物品、隐藏变量;接收用户动作,按照预设规则结算事件、更新状态;输出确定事件指令给到渲染模块
- 像素模块(负责画面渲染):也就是冻结后的视频生成模型;接收事件指令和空间预览信息;只负责把既定事件渲染成连贯视频画面,不参与因果判断
Stateful Harness 完整运行步骤
- 获取用户交互动作,交给规则层读取当前世界隐藏状态
- 规则层按照设定好的机制结算,判定本次动作触发什么事件、更新状态数值
- 将最终事件编译成渲染指令,搭配简易 3D 预览作为空间引导
- 视频模型读取指令,渲染对应事件的像素画面
- 生成视频回传给系统,同步更新状态,等待下一轮交互输入
新旧世界模型方案对比
| 传统一体化视频世界模型 | 规则像素分离新范式 Stateful Harness |
|---|---|
| 一个模型同时学因果规则和视觉画面 | 规则、像素渲染分成两套独立模块,各司其职 |
| 容易出现画面看着合理,但底层逻辑矛盾 | 规则优先,事件结果由逻辑层锁定,画面只做呈现 |
| 想要提升逻辑一致性,需要大量数据重新训练 | 原有视频模型冻结不动,零微调就能直接接入使用 |
| 很难处理当前画面看不到的隐藏状态 | 独立状态账本持续记录隐藏变量,不受画面限制 |
核心实验数据说明
- 测试基准:WorldState-Bench,一共 50 组反事实孪生测试样本
- 原有视频模型基线合规率:32%
- 仅增加文字提示条件后合规率:64%
- 接入完整 Stateful Harness 框架之后合规率:92%
【相关 FAQ】
问题 1:世界模型规则归规则像素归像素新范式,核心解决了什么痛点?
回答 1:世界模型规则归规则像素归像素新范式主要解决传统视频世界模型逻辑不稳定的痛点,很多时候画面看着正常,但隐藏状态、因果规则会出错,拆分之后规则优先锁定事件结果,像素只负责渲染,大幅提升交互模拟的一致性。
问题 2:Stateful Harness 世界模型框架里,像素模块也就是视频模型还需要微调吗?
回答 2:不需要,在这套规则归规则像素归像素的世界模型分工方案里,视频后端模型保持冻结状态,不用微调、不用重新训练,直接接收事件指令渲染画面。
问题 3:世界模型规则归规则像素归像素这套方案,规则模块都记录哪些信息?
回答 3:世界模型规则模块会维护独立的状态账本,记录物体位置、属性数值、物品库存、隐藏变量等画面上不一定能直接看见的状态信息,用来按照规则判定交互事件。
【参考资料】
[2026-11-22](世界模型的新分工:规则归规则,像素归像素)机器之心
[2026-10-21](同一帧同一动作,结局必须不同:把规则从像素里拆出来)腾讯云开发者社区
[2026-10-19](State World Models: Execute the Rules, Generate the Pixels)arXiv
[2026-08-26](Code World Model:Coding Agent as World Brain)智源社区
【免责声明】
世界模型规则归规则像素归像素相关内容为学术论文公开研究解读,测试效果基于 WorldState-Bench 基准数据集得出;该框架属于前沿学术方案,尚未大规模商用落地;不同视频后端模型、规则复杂度、交互场景下最终的规则合规表现会存在差异。
