你在游戏里推翻一座城的统治者，然后远走他乡。几个月后回来，这座城不该只是换一张“混乱街道”的画面。谁接班、卫兵如何巡逻、商路是否中断、不同派系怎样重新结盟，都应当从此前的事件继续发展。现在的视频模型很会生成逼真的下一幕，却很难长期记住并推演这些看不见的后果。
Westlake AGI Lab 提出的 Code World Model，换了一个分工方式：让 coding agent——能编写、执行和修改程序的 AI Agent——充当“world brain”，用代码维护世界状态、规则和历史；再让视频模型把推演结果变成画面。说白了，一个负责世界究竟发生什么，另一个负责它看起来是什么样。
以下效果均来自论文作者自己的原型展示。材料没有给出定量指标、基线测试或第三方复现，因此更适合把它看成一条得到初步演示的新路线，而不是已经成熟的通用世界模拟器。
视频会续写画面，却未必理解世界
世界模型（world model）可以理解为一个供 AI 预演的模拟器：采取某个动作后，环境可能怎样变化？Agent 可以先在里面比较几条行动路线，再决定现实中怎么做，这就是规划（planning）。
视频模型天然适合表现环境。它从大量数据中学到人物、场景、运动和互动通常长什么样，这些经验叫作生成先验（generative prior）。但视频只记录结果，不直接展示背后的规则。游戏画面能告诉模型一支箭射中了敌人，却不会把射程、碰撞判定和生命值计算一并交出来。
问题到了长时间尺度会更明显。论文指出，当前视频模型的训练上下文通常短于一分钟，而一个事件的后果可能在世界中的几天甚至几年后才显现。角色离开镜头后做了什么，也没有连续画面可供追踪。仅靠不断生成下一帧，世界容易有画面，却没有真正持续运转。
把“大事判断”和“日常运转”拆开
Code World Model 的关键不是让语言模型亲自计算每一次移动。它把世界运行分成两个节奏。
coding agent 处理低频但复杂的决定：理解新事件，判断长期影响，选择已有机制，或者修改世界规则。例如城主遇刺后，它可以启动紧急状态，改变派系目标，并加入巡逻、继承与消息传播机制。
代码负责高频、重复且需要稳定结果的更新：坐标、朝向、碰撞、攻击距离、冷却时间、伤害与连续触发。代码执行式模拟，就是把状态和变化规则写成程序，再运行程序算出下一步。这样，“门已经打开”“物品已经消耗”之类的后果可以明确保存，而不必期待视频模型从旧画面中猜回来。
两者构成持续循环：事件发生后，Agent读取当前状态，调用或局部修改程序；程序推进大量变量；执行结果、测试和新反馈再成为下一次判断的依据。代码不是预先写死的游戏规则，而是 Agent 可以持续维护的外部执行系统。
这也是“世界大脑”这个说法真正有意思的地方。代码Agent不再只是临时调用一个工具完成任务，而是在维护一个会继续运行、还能改变自身机制的环境。当然，“world brain”仍是论文的概念性命名，现有证据远未证明它已能承担开放现实世界的复杂性。
代码怎样把结果交给视频模型？
直接把所有状态写成文字，看起来最省事。可论文称，近期视频世界模型即便另有相机控制通道，也难以仅凭密集文字准确执行逐帧的位置、运动和镜头轨迹。理论上，文字可以描述每个像素；实际上，这会消耗大量 token，也不利于实时交互。
完整搭建一套高质量 3D 世界又太重。它需要几何模型、素材、动画、材质和渲染系统，还会提前限制最终画面能长成什么样。
研究团队因此设计了 proxy representation，可译作“代理表示”。它像一份极简的动态舞台调度表，只记录当前画面必须服从的粗粒度信息：实体位置、姿态、轨迹、空间关系和相机运动。一个确定性的轻量编译器把它转换成 proxy video，再交给视频模型作为逐帧约束。
proxy 不负责纹理、材质、精细光照和局部动作。结构化文字告诉模型角色外观和动作含义，proxy 告诉它人在哪里、往哪走、镜头怎么动；视频模型再用生成先验补足视觉细节。论文将这种取舍概括为“条件带宽”：proxy 太简单，约束不够；细到逐关节控制，coding agent 又难以可靠维护。目标是只写下当前画面必须遵守的最少状态。
它证明到了哪一步？
团队构建了获得 proxy—observation pairs 的数据流程，即把代理条件与最终观察画面对齐。游戏数据可在同一次运行中同步记录目标视频，以及相机、实体和场景状态。现实视频则可借助 3D 重建与物体标注离线生成 proxy，不要求动作标签。不过，“使用现实视频构建数据”不等于系统已经通过真实世界任务验证。
论文称，MiniMax-H3 在配对游戏数据上微调后，面对 coding agent 搭建的简单交互世界，能够定性遵循角色位置、动作轨迹、场景布局和相机运动等 proxy 规格，同时保留较丰富的画面细节与动态。这里的关键词是“简单”“定性”和“原型”：材料没有报告成功率、数据规模、测试集、基线差距或消融实验，MiniMax-H3 的具体版本和微调设置也不明确。
为什么值得关注
这项工作的价值不在于它已经造出一个可任意模拟现实的世界，而在于重新划分了能力边界。世界模型不必把规则推理、长期记忆、数值执行和视觉生成全塞进同一个网络。代码可以保存因果后果并稳定运行；coding agent 可以在遇到新情况时修改机制；视频模型则继续发挥视觉表现力。
如果这条路线成立，Agent用于规划的预演场就可能从“调用几个固定工具”，走向一个可编程、可检查、可修改并持续演化的环境。它也给长期一致性提供了另一种答案：不只是让视频模型记住更多旧画面，而是把真正需要持续生效的状态放进可执行世界里。
局限与未知
- 论文只给出简单交互世界中的定性展示，没有量化评测与独立复现，无法判断效果幅度和稳定性。
- proxy 仍要求系统把重要世界状态转成合适的视觉约束；条件应当多细、复杂世界能否可靠维护，现有材料没有回答。
- 每次生成新观察都要运行视频模型，计算成本与延迟高于传统渲染。论文认可这一代价，但没有提供实际速度或成本数据。