先手 SENTE · 周报阅读清单 · 速读 · arXiv 2608.25518
把游戏开发变成世界模型的「可验证数据引擎」
Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models
Pengfei Zhou，Hexin Wang，Zhengfeiyang Zhang，Yixing Ma 等 8 位作者 · 2026-08-26
代码有编译器当裁判，空间生成缺裁判：游戏引擎可以补上
打开交互式解读 →三个要点
- 问题：扩展世界模型的常见做法是用更多爬取视频和更多算力。作者认为这很低效：代码 Agent 的成功依赖编译器和运行时提供的高质量奖励，而空间生成仍主要依赖 CLIP 分数这类模糊、有偏的代理信号，难以支撑强化学习后训练。
- 方法：游戏引擎中的场景是可执行的世界说明，引擎能检查碰撞、物理、可通行性和可玩性，开发者是否接受场景则提供全局验证信号。作者提出 RLHEV（人类—引擎验证强化学习），并构建世界搭建 Agent AWoMo：提出场景修改、观察验证结果，把被接受或修复后的多模态轨迹变成训练数据。
- 结果：在 200 例 Unity 资产编辑评测 UnitySceneBench 上得分最高；在 Unreal 和 Godot 跨引擎实验中有正向信号；用 AWoMo 数据增强训练后，R2R、Gymnasium MuJoCo、D4RL 等具身任务表现提升（作者自报）。
200 UnitySceneBench 评测样例数
适合谁读：做游戏引擎、AI 原生游戏开发工具和世界模型的团队；关注世界模型数据来源的投资人。
AI 解读 · 基于原文：本页由 AI 根据论文原文整理，所有数字均可在原文中找到出处；引用前请核对原文。