论文页面 - 代码世界模型：编码代理作为世界大脑

来源：https://huggingface.co/papers/2608.25927

摘要

代码世界模型通过使用语言模型生成可执行的状态更新，并使用视频模型从代理表征渲染观察结果，将持久的动态世界与视觉渲染分离开来。

世界模型 (https://huggingface.co/papers?q=World%20models) 旨在模拟复杂环境在行动和事件下的演变过程，但现有的基于视频的世界模型 (https://huggingface.co/papers?q=video-based%20world%20models) 主要从视觉观察中学习动态，这些观察揭示的是结果，而非支配世界演化的底层知识、规则和机制。这使得维持持久的后果和支持连贯、开放式的演变变得困难。我们引入了代码世界模型，这是一种通过结合语言模型 (https://huggingface.co/papers?q=language%20models) 的推理和编码能力与视频模型 (https://huggingface.co/papers?q=video%20model) 的生成先验知识，将世界演化与视觉实现分离的框架。编码代理 (https://huggingface.co/papers?q=coding%20agent) 充当世界大脑，推理事件及其后果，并生成可执行代码 (https://huggingface.co/papers?q=executable%20code) 以维护持久的世界状态并执行规则一致的演化。为了连接可执行状态与视觉生成，我们引入了一种代理表征 (https://huggingface.co/papers?q=proxy%20representation)，它编码帧级的时空约束 (https://huggingface.co/papers?q=spatiotemporal%20constraints)，并被编译成代理视频，该视频为视频模型 (https://huggingface.co/papers?q=video%20model) 提供条件以渲染高保真的视觉观察。我们进一步开发了数据流程，用于从游戏玩法和现实视频中构建对齐的代理-观察对。在成对的游戏玩法数据上进行微调 (https://huggingface.co/papers?q=fine-tuning) 后，MiniMax-H3 能够遵循由编码代理 (https://huggingface.co/papers?q=coding%20agent) 构建的简单交互世界的基于代理的时空规范，同时保留丰富的视觉细节和动态特性。这些结果证明了结合代码用于持久世界演化与视频模型 (https://huggingface.co/papers?q=video%20model) 用于灵活视觉实现的潜力，为开放式世界模型 (https://huggingface.co/papers?q=open-ended%20world%20models) 提供了新的路径。

查看 arXiv 页面 (https://arxiv.org/abs/2608.25927)查看 PDF (https://arxiv.org/pdf/2608.25927)项目页面 (https://buaacyw.github.io/cwm/)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.25927)

在您的代理中获取此论文：

hf papers read 2608\.25927

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

没有模型链接到本文 在模型 README.md 中引用 arxiv.org/abs/2608.25927 以从本页面链接它。

引用本文的数据集0

没有数据集链接到本文 在数据集 README.md 中引用 arxiv.org/abs/2608.25927 以从本页面链接它。

引用本文的空间0

没有空间链接到本文 在空间 README.md 中引用 arxiv.org/abs/2608.25927 以从本页面链接它。

包含本文的收藏夹0

没有收藏夹包含本文 将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页面链接它。