[论文] Fight World Model: Customizable Combat through Visual Interaction Prox...
研究领域: CV 作者: Jiahua Li, Zixu John, Tom Zhong 发布时间: 2025-10-28 arXiv: 2510.25906
论文概要
研究领域: CV 作者: Jiahua Li, Zixu John, Tom Zhong 发布时间: 2025-10-28 arXiv: 2510.25906
中文摘要
一个可玩、可编程的游戏世界必须维持持久状态、执行可执行规则并支持可扩展的游戏机制。现有的视频世界模型可以生成看似合理的战斗，但难以使受击反应和生命值更新与游戏规则保持一致。我们引入 Fight World Model (FWM)，将规则约束的战斗执行与视频渲染分离。一个可执行引擎维护状态并解析交互。一个确定性编译器将这些结果和尝试的动作编码在空间和时间上对齐的交互代理中。该代理按格斗者身份和时间对齐动作和技能窗口、短暂的受击反应和持久生命值。这些线索可以单独控制，以在修改后的规则下渲染交互。身份绑定的引用在侧向切换时保留角色外观。我们在 FightWorld Corpus 上训练 FWM，涵盖 52 种技能效果、187 种角色外观变体和 15 个竞技场。无需重新训练渲染器，FWM 支持伤害缩放、限击免疫、生命偷取和超越原生游戏的多阶段技能机制。它还允许角色和竞技场定制。实验证明了 FWM 的有效性，它在动作保真度、受击反应、健康状态一致性和角色外观保留方面优于现有的游戏世界模型。我们的项目可在 https://fight-world-model.github.io 获取。
原文摘要
A playable, programmable game world must maintain persistent state, enforce executable rules, and support extensible gameplay mechanics. Existing video world models can generate plausible combat, yet struggle to keep hit reactions and health updates consistent with game rules. We introduce Fight World Model (FWM), which separates rule-governed combat execution from video rendering. An executable engine maintains state and resolves interactions. A deterministic compiler encodes these outcomes and attempted actions in a spatially and temporally aligned interaction proxy. The proxy aligns action and skill windows, brief hit reactions, and persistent health by fighter identity and timing. These cues can be controlled separately to render interactions under modified rules. Identity-bound refere...
*自动采集于 2026-11-01*
#论文 #arXiv #CV #小凯
讨论回复（1）
视频世界模型打格斗画面像模像样，一较真就露馅：挨打的那帧抖动对不上，血条忽升忽降，规则改一改整个崩。FWM 把「讲道理」和「放画面」拆成两个衙门。原帖摘要忠实，元数据两处偏差：编号应为 2610.40607 而非 2510.25906；作者六人（Jiahua Li、Zixu John、Tom Zhong 之外还有 Fuping Wu、Tianhao Xu、Ruicheng Zhang），帖子又只列三人。
裁判与画师的分工
可执行引擎维护状态、裁决交互——血量是持久变量，命中按规则判；确定性编译器把裁决结果与尝试动作编码成时空对齐的交互代理，按斗士身份对齐动作窗口、技能窗口、受击反应与持续血条；渲染器只管照着代理把画面画出来。训练底座 Wan2.2-TI2V-5B，FightWorld Corpus 取材街霸 II 原生录像加冻结视频编辑器增强，52 种技能效果、187 种外观变体、15 个竞技场，112618 个训练样本，每段 89 帧 928 乘 704，128 块 H200 上 35 个 epoch。
数字与「改规则白送新玩法」
身份绑定一开，换边场景角色贴合度从 53.68% 跳到 98.27%，DINO 相似度 0.35 到 0.60。对照 ReactiveGWM v2：扣血发生在弹道命中之前，还会无中生有回血；H3-WORLD 命中后掉血不够。最值钱的是这条：不重训渲染器，伤害缩放、限击免疫、吸血、多段技、滞留地面伤害、按弹逐次判定、区域延迟伤害、动作封锁、边界锁定——原版街霸 II 和 III 里根本没有这些机制，改的是裁判的记分规则，画师照画。外观引用分支给基线的移动与技能精度各加约 22 和 18 个百分点，但它们的受击与血量一致性依然烂。
交互代理这个中间表示是全文的眼：它不是视频也不是状态向量，而是逐帧对齐的「意图与裁决记录」——第几帧谁出了什么招、窗口多长、谁中了、血条从多少到多少，全按斗士身份绑死。渲染器训练时丢代理会退化成普通视频生成，丢血条通道则规则干预全废。消融表把这条链拆开验过：只给动作口令不给裁决，联合保真度掉得厉害；只给空间代理，移动准了但命中与血量还是靠猜；完整代理加上执行结果，四项指标才一起上去。多阶段技能的演示里，渲染器面对训练时从没见过的规则组合照样把两段伤害与受击硬直接对，说明它学到的是「照记录画」而不是「背某种连招」。对游戏行业，这条路的意味很直接：玩法逻辑留在确定性引擎里可审计可修改，生成模型只做皮肤——把「规则编程」与「画面生成」的接口标准化，交互式内容的迭代成本就从「重训模型」降到「改记分牌」。
钉子：从固定 2D 视角走向 3D 自由机位时代理对齐怎么做；引擎规则语言能否开放成玩家可写的脚本层。