Wizard：让智能体实时操控可生成的游戏世界

导语

视频世界模型正在从“生成看起来像游戏的视频”，走向“维护一个可以被操作的游戏世界”。Wizard 的切入点并不是继续堆叠视觉生成能力，而是把角色动作、场景变化和游戏规则交给智能体管理，再让视频模型负责将这些结构化指令呈现为连续画面。

核心要点

• 用结构化代理控制动作。 Wizard 将角色骨骼和场景几何作为中间代理。智能体可以直接操控关节、姿态以及环境元素，而不局限于预设的移动模式。这意味着系统的控制范围从行走、奔跑等基础运动，扩展到挥剑、展翅和战斗中的形态变化等铰接动作。
• 把游戏状态显式化。 系统不只根据上一帧画面做预测，还维护并更新世界状态。这样，角色行为、场景变化和战斗机制能够在更长的交互过程中保持一致，也为自适应的首领行为和游戏机制提供了基础。
• 面向陌生组合进行泛化。 研究团队构建了覆盖750个场景、178个角色的50.3小时代理表示—视频配对数据。角色感知的自适应遮罩用于保留参考角色的外观，同时帮助生成结果更准确地遵循结构化条件。
• 兼顾实时性。 通过因果适配和少步蒸馏，作者报告系统可达到24 FPS的交互速度，并在未见过的场景、角色和动作上进行零样本泛化。

这意味着什么

Wizard 的价值在于重新划分了生成式游戏的职责边界：视频模型不必独自“猜测”世界规则，智能体也不必直接生成最终画面。前者负责视觉呈现，后者负责状态、动作和逻辑，结构化代理则成为两者之间的接口。这种设计有望让玩家通过更细粒度的指令配置角色、召唤对象、改变场景，甚至构建具有持续机制的战斗体验。

不过，素材目前主要介绍系统设计、数据规模和目标能力，尚未提供更完整的定量对比、长时稳定性结果或公开代码。因而，Wizard 能否在复杂交互中持续保持身份、物理关系和规则一致性，还需要论文全文、演示与后续评测验证。它更适合被看作迈向可编程生成世界的一种架构探索，而不是已经解决游戏生产问题的完整方案。

来源：Hugging Face Daily Papers