有状态世界模型：执行规则，生成像素
现有世界模型能够根据单张图像生成受动作控制的视频，但当结果取决于当前画面中不可见的状态时，仅靠场景导航无法确保动作遵循规则。Stateful Harness 将世界状态演变与视频渲染分开：规则决定事件，冻结的视频模型负责渲染，再用生成的视频片段更新下一轮的世界状态。在由 50 组反事实配对构成的 WorldState-Bench 中，仅提供规则提示时，受测的 11 个视频后端中表现最佳者只在 32% 的配对中为两种情况都生成了所需结局。对 MiniMax-H3 明确指定结局后，该比例升至 64%；完整的 harness 则达到 92%。结果支持在涉及隐藏状态的交互中，将规则执行与视频渲染分离。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。