一句话看懂：alphaXiv 于 2026 年 10 月 19 日公开的论文提出 Stateful Harness 框架，把规则执行和视频渲染拆开，让世界模型能处理当前画面里看不见的状态，比如“有没有钥匙”。
事件核心：发生了什么
现有视频世界模型大多能根据一张图和用户动作生成后续画面，但主要解决镜头移动和场景探索。论文指出，当动作结果取决于画面中不可见的状态时，仅靠视觉模型容易出错。Stateful Harness 的做法是：维护一份显式世界状态，由固定规则判断动作产生什么事件、状态如何变化，再把事件编译成结构化指令，交给冻结的视频模型渲染。团队还构建了 WorldState-Bench，包含 50 对反事实孪生样本，每对共享初始帧和动作，只有隐藏状态与正确结局不同。在仅用规则提示时，11 个受测视频后端中最好的一个在 32% 的样本对上给出两个正确结局；对 MiniMax-H3，明确指定结局后从 32% 提升到 64%，而完整框架在同一个冻结模型上达到 92%。需要注意，以上结果来自论文摘要所述评测条件，尚未涉及产品化验证。
为什么重要
这给世界模型指了一条更工程化的路线：视觉渲染负责“像不像”，规则系统负责“对不对”。对游戏、交互式内容这类依赖背包、进度、属性等隐藏状态的场景，把状态和渲染解耦，有助于降低对视频模型长程一致性的要求，也可能让不同视频后端更容易替换。论文也承认，显式状态加渲染并非全新思路，Programmable World Model 和 Code World Model 都在做类似探索，区别在于本文测试的是冻结渲染器能否描绘新指定的隐藏状态结局。
对用户/开发者/创作者的影响
对开发者，这意味着交互式 AI 应用可能采用“规则引擎 + 视频生成 API”的组合，把状态管理放在外部系统而不是交给大模型。对创作者，类似工具若落地，可能让生成式游戏或互动视频更遵守设定。但论文中的 3D 场景预览主要提供空间与镜头参考，摘要注明主评测结果不应归功于预览视频，实际可用性仍需看后续实现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是完整框架能否从论文实验走向可调用产品；二是 92% 的规则遵从率在更复杂规则和更多后端上是否稳定；三是开源社区或闭源视频模型厂商是否会跟进类似的“状态外置”接口。
来源：alphaXiv
