Code World Model 開源：用程式設計智慧體當大腦，讓 AI 真正記住世界狀態

現在的影片生成模型看起來越來越逼真，但只要你讓它生成一個可以互動的世界，很快就會露餡。角色剛走過一扇門，轉個身門就憑空消失了；地上撿起一把鑰匙，兩秒後模型就忘了手裡有東西。說白了，傳統的影片世界模型只是在根據前面的畫面猜下一幀的畫素，它腦子裡根本沒有規則，也記不住任何發生過的事情。

研究人員正式開源了 Code World Model（簡稱 CWM）。這項研究換了一個非常清醒的思路：別讓影片模型同時負責動腦和畫畫，既然大語言模型寫程式碼那麼厲害，為什麼不讓它來當世界的邏輯大腦？

讓智慧體寫遊戲引擎，讓影片模型當顯示卡

Code World Model 的核心思想，是把世界的演化邏輯和最終的視覺畫面徹底拆開。

他們把一個 Coding Agent 放到了大腦的位置。當虛擬世界裡發生任何事件，比如角色向前走了一步、推倒了一個箱子，這個智慧體都會先進行推理，然後即時編寫並執行一段程式碼，把修改記錄在一個可以持續存在的世界狀態裡。

有了邏輯狀態還不夠，影片模型看不懂純程式碼。團隊設計了一種中間代理表示，把場景佈局、物體位置和運動軌跡等時空約束編碼進去，生成一段簡化的代理影片。

最後一步才是渲染。研究團隊構建了從遊戲畫面和真實影片中採集的對齊資料集，對影片模型 MiniMax-H3 進行了微調。MiniMax-H3 接收到代理影片後，只負責老老實實把畫面細節畫出來，確保光影和質感足夠逼真。

這就像是在做一個自動化遊戲引擎：Coding Agent 負責在後臺跑底層邏輯與物理規則，而影片模型只充當一塊高效能顯示卡。

長時間執行不忘事，換了畫風場景還在

從官方放出的演示來看，這種拆分帶來了非常明顯的好處。

最直觀的一點是長週期的永續性。演示裡的世界可以持續執行很長時間，甚至畫面的右上角還配了一個即時小地圖，隨時追蹤所有物體的位置。無論鏡頭怎麼轉，物體和場景佈局始終保持一致。

更有意思的是風格遷移。由於世界底層是由程式碼驅動的確定性狀態，渲染層可以自由變幻風格。團隊展示了同一個世界在不同視覺畫風之間平滑切換，而背後的場景結構和事件進展完全沒有變形或崩潰。

目前這套框架的程式碼和執行說明已經公開在 GitHub 上。不過想在本地跑起來門檻不低，官方測試是在一張擁有 80GB 視訊記憶體的輝達 H800 上完成的，普通使用者如果想在消費級顯示卡上嘗試，可能得等社群做出量化版本。

為什麼重要

我們認為，Code World Model 最聰明的地方在於它沒有死磕純端到端的影片生成，而是承認了當前大模型的優缺點。

讓純視覺模型去理解重力、碰撞和空間永續性，成本極高且極容易出現幻覺。而大語言模型在符號推理、規則維護和程式碼生成上早就被證明非常可靠。用確定性的程式碼兜底物理規律，用生成式模型補齊視覺細節，這才是通往可互動虛擬世界更務實的路線。

對遊戲和虛擬環境的開發者來說，這種架構提供了一個全新的原型製作思路。未來開發一個小型沙盒世界，可能不再需要從頭手寫每一條互動指令碼，也不用擔心 AI 生成的畫面無法互動。

當然，它現在的侷限也擺在眼前。雖然邏輯由程式碼保證，但整套流程依然依賴微調後的 MiniMax-H3 渲染，80GB 視訊記憶體的要求註定它現階段還是實驗室玩具，推理延遲也無法直接支援毫秒級的即時操控。但它證明了一件事：想要做出真正能玩的 AI 世界，只靠預測畫素是不夠的，你必須給它裝一個懂程式碼的大腦。