ReactiveGWM 开源：给游戏世界模型加上 NPC，提示词也能控对手

过去大半年里，各种可交互的视频世界模型层出不穷，但如果你亲自试过就会发现一个尴尬的硬伤：画面里的 NPC 基本上就是会动的背景像素，既看不懂你的招式，也不会有针对性地反击。

研究团队开源了名为 ReactiveGWM 的反应式游戏世界模型。它不仅能让你用键盘实时操控主角，还能让你用提示词直接指挥对手是积极进攻还是就地防守。

需要分清的是，屏幕上闪过的并不是任何传统游戏引擎渲染出的画面，而是扩散模型逐帧生成的实时视频。ReactiveGWM 的突破在于，它第一次让这种视频世界里的 NPC 真正学会了接招。

一边键盘搓招，一边提示词控对手

以往的世界模型把玩家动作和场景动态混成一团，模型只负责把上一帧和按键拼成下一帧，根本分不清谁是谁，更谈不上理解对抗逻辑。

ReactiveGWM 的核心思路是解耦。它开辟了两条互不干扰的控制路径：玩家的操作被处理成轻量级的加性偏置，直接注入到底层的扩散模型骨干网络中，保证按键出招的即时响应。

而对手 NPC 的行为，则被抽象成进攻、防守、控制等高层战术策略，通过交叉注意力模块单独注入画面。在两款《街头霸王》游戏的实测中，玩家用按键打出连段的同时，对手会严格按照提示词指定的战术做出对应的格挡或压制动作。

模块即插即用，不用重训模型

除了双轨控制，这个项目另一个聪明的设计在于通用性。

研究团队让交叉注意力模块学习的是与具体游戏无关的交互逻辑。换句话说，模型学到的是对抗与应对的关系，而不是某一个特定角色的动作帧。

这也带来了零样本策略迁移能力。这个训练好的交互模块，可以直接插到其他现成的、完全没有做过标注的游戏世界模型中，不需要重新微调，就能立刻解锁可控的 NPC 对抗互动。

项目基于 Wan 2.2 基础视频模型构建，代码和运行说明已经公开在 GitHub 上。整体架构相当轻量，在普通本地电脑的中高端显卡上就能直接跑起来。

为什么重要

在生成式游戏世界这条赛道上，画面的逼真度早就不是最大瓶颈，因果交互才是真正的门槛。以前的展示大多是单向操作，玩家像是在一个孤独的虚拟录像带里漫游。ReactiveGWM 第一次把双向博弈放进了实时视频模型里，让世界模型向真正的互动模拟器迈了一大步。

我们认为，这项研究最值得赞赏的地方在于克制。它没有试图去端到端训练一个吞下所有游戏物理机制的庞大黑盒，而是用解耦和模块化插拔的手段，把玩家输入和对手策略拆开处理。这种思路让中小型团队甚至个人开发者不用花天价算力，就能在现有开源视频模型上搭建可玩的互动原型。

不过也要看到它的现实限制。虽然中高端显卡能在本地运行，但纯生成式视频在帧率、延迟和长时间动作一致性上，离传统商业格斗游戏还有质的差距。提示词控制的 NPC 行为目前也相对粗粒度，更像是在给对手设定宏观倾向，而不是真正的战术博弈。但作为一次架构探索，它确实给未来的无引擎游戏指明了方向。