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。