从像素到状态：世界模型该像游戏引擎一样思考

HuggingFace 每日论文榜第一名，407 个赞的大数字：From Pixels to States: Rethinking Interactive World Models as Game Engines（arXiv 2607.14076，来自 Alaya Studio）。论点简单，但早该有人说了。今天的交互式世界模型基本都在预测像素——下一帧，再下一帧。游戏引擎不是这么干的：它维护显式状态，把动作作用于状态，再从状态渲染出观测。论文说世界模型也该这样，并沿四个维度把整个领域重新梳理了一遍：动作控制、状态动态、状态-观测持久性、实时生成。

实打实的贡献是一个数据集：90 多个小时的《黑神话：悟空》游戏录像，帧级对齐了玩家动作、从引擎里拿到的真值游戏状态、以及视觉观测。动作、真实状态、像素三者对齐——这正是纯像素视频数据集给不了的东西，也让状态感知的世界建模第一次在这个规模上可训练、可度量。

为什么这篇属于本站：这和 agent 开发者关于记忆的争论是同一个问题。你存的是渲染结果，还是生成渲染结果的状态？每个从聊天记录式记忆迁移到结构化状态的团队，下的都是这篇论文同样的注。代码还没放出来——盯着仓库动态。

论文：https://arxiv.org/abs/2607.14076