Code World Model：把世界演化写进代码，把画面渲染交给视频模型

为什么把世界演化和画面渲染拆开：端到端视频模型的两难

我们从一个朴素观察出发。视频里能看到的只是结果，不是规则。一段 GTA V 的街景画面，背后是数千行引擎代码在按物理规则推进；一段现实世界的驾驶影像，背后是行人动力学、光照、遮挡关系在共同演化。视频帧本身只是一连串渲染后的像素快照，可执行的那份规则在渲染完成那一刻就被丢掉了。

端到端视频世界模型试图用同一个神经网络同时学两件事：物理规则和像素细节。但这两个目标天然互斥。让模型记住动力学，它就在像素细节上妥协；让它复原纹理，它就把因果结构学得稀碎。论文 Code World Model: Coding Agent as World Brain 给出的诊断非常直接：视频只记录结果，看不到执行逻辑；屏幕外发生的状态变化没有任何视觉记录；大量有意义的后果展开的时间跨度，比当前视频模型的训练上下文窗口（一分钟以内）长得多。这三条都指向同一个结论——让一个神经网络同时承担物理一致性和视觉呈现，等于让它两头都拿不稳Code World Model.

解法是物理上把责任拆开。论文标题里四个名词其实是一条从属链。"世界模型"是最宽的泛称，凡是能在内部表示环境动力学、能据此想象未来状态的系统都算。"视频世界模型"是其中一支：让模型从视频中直接学 latent dynamics、然后在 latent 里 rollout，DreamerV2 是这一支 2021 年的经典基线。"Code World Model"这个英文短语在 2024 年已经被 Dainese 等人在 NeurIPS 2024 用过，意思是让 LLM 写一段 Python transition function 拿去给 RL planner 做规划Dainese et al. 2024. 本文的标题沿用了这个词，但实质走的是完全不同的另一条线：coding agent 维护可执行的世界状态、proxy 编译出分镜级的代理视频、外部视频模型照分镜画像素。这种用法有一个新的副标题——Coding Agent as World Brain——把这个用法跟 2024 年的 RL planning 范式明确区分开。

来看一张三栏图，把这种"职责分离"钉在直觉上：

图注：三栏横向总览，从左到右依次是 coding agent 维护 World State、轻量编译器把状态渲染成粗粒度 proxy video、视频模型根据 proxy 和文本生成高保真 RGB 观测帧。三栏对应的是大脑、编译器、画师三种职责，不是 pipeline 的前后顺序。

这张图最重要的一点不是流程顺序，而是它把三件不同性质的事放进了三个物理上分离的模块。左边是符号世界，右边是像素世界，中间是翻译层。读者如果熟悉 AI agent 的决策闭环——观察、思考、动作、回写——会觉得左边那段很眼熟：coding agent 扮演的就是大脑角色，决定哪些事件触发、如何改写规则、怎样维护持久状态。

再看另一张图，给"Code World Model"这个词的另一个出处做个锚点：

图注：Dainese 等人在 2024 年提出的 Code World Models 框架——LLM 由 GIF-MCTS 引导，迭代生成和修正候选 Python CWM；候选用真实环境轨迹做评分，分数回流到 LLM 形成闭环；最终最佳 CWM 用于 model-based planning。这是 RL planning 范式的 Code World Model，跟本文的"coding agent + 视频渲染器"用法同名异义。

把这两张图放在一起读，可以看到"Code World Model"这个英文短语在两年内其实指了两件不同的事。Dainese 等人的版本把代码当作 planner 直接消费的对象；本文的版本把代码当作渲染条件生成的中介。下游消费对象不同，整个闭环结构就完全不一样。这一点会贯穿全篇。

解耦长什么样：三组件骨架 + 代理表示

把整个方案的高层骨架画出来：

图注：Code World Model 完整 pipeline。左侧意图/动作进入 coding agent，agent 写代码更新 World State（持续、可执行、可修改、可查询）；中间 World State 经 Proxy Compiler 编译为 Proxy Video 与结构化文本提示；右侧视频模型以 proxy + 文本为条件生成 RGB 观测；观测与新事件反馈回下一轮，形成持续演化闭环。

这张图钉住了三件事。第一，三组件的职责是物理拆开——不是把一个大网络切成三个 head，而是三个独立的模块。第二，从 World State 到 Proxy Video 中间有一道编译——不是直接把代码状态喂给视频模型。第三，反馈环是真实的——生成出来的画面和新事件会回到 coding agent 当下一轮决策依据。

代理表示（proxy representation）是这套设计的关键中间产物。它的设计目标非常克制：只给视频模型看 coarse 时空状态，不给任何 appearance。论文明确写出，proxy 只编码当前观测必须遵守的"粗时空状态"——相机运动、实体位置/朝向/轨迹、空间关系、交互关键态——刻意排除纹理、材质、精细光照Code World Model. 实测的 proxy schema 由五类信息组成：相机态、实体位置与朝向、近似尺度、场景布局、交互关键态；它用一组可复用 primitive 来表达——行人用 capsule skeleton、车辆用 wireframe 盒、植被用 low-poly、大建筑用粗 3D extentCode World Model.

proxy 还承担一个具体的带宽预算：空间分辨率是目标视频的 1/4（1344×768 → 336×192），加上 token 维度上的 4× 累计压缩，proxy 给视频模型带来的额外视觉 token 只占目标视频的 1/16；论文把它描述为 negligible 的额外推理负担Code World Model. 这意味着 proxy 不是另一段高分辨率视频，它本质上是一份低分辨率、抽象、给画师看的分镜稿。

更重要的是，proxy 是 agent 可调节的视觉 prompt，不是固定条件。论文明确写道：当文字足够时 agent 可以关闭 proxy；当观测需要严格遵循位置/轨迹/空间拓扑时，agent 可以激活相关通道；agent 还能选择保留哪些实体和通道、调整时空粒度和条件帧率Code World Model. 这把 proxy 设计问题变成一个显式的取舍：可构建性 vs. grounding 强度——只保留当前观测必须遵守的最小充分状态。

来看 proxy 的真实样例：

图注：两路 proxy-观测对的真实样例。左半是 GTA V 街景 RGB 与紧邻 proxy：彩色 capsule / 盒状 primitive 表示行人车辆、深度编码背景；右半是 KITTI-360 驾驶 RGB 与更简化的 proxy，行人是胶囊骨架、车辆是线框盒。一眼可看到 proxy 只画骨架和位置、不画纹理。

这张图把抽象的 schema 直接实例化给读者看。GTA V 一侧的 proxy 已经非常稀疏——行人就是几个胶囊，车辆就是盒状线框，连低多边形的植被都用最简几何代替。KITTI-360 一侧因为是真道路场景，primitive 还更稀。读者第一眼会感到一种"这不就是漫画草稿吗"的错觉——这正是设计意图：proxy 是给画师看的分镜，不是给渲染器算的素材。

这种设计还有一个隐含的好处：coding agent 自己也写得出这些 primitive。每个 primitive 只需几行 Python 就能复现，因此 coding agent 在推理时可以本地重新生成一份 proxy，不需要从黑盒渲染器反向工程。这一点跟后面将提到的端到端 latent 路线形成鲜明对比——在那里，agent 即使能看到某种"状态表示"，也几乎不可能修改生成规则。

把视角拉到同期另一条工作上做个对照。VisualPatchWorld（VPW）也是 2026 年 7 月的同期工作，共享"代码作为世界模型"这条主线思想，但把代码产物的下游用途放在基于 model-predictive control 的规划任务上VisualPatchWorld. 它的 scene graph 是文本 schema——物体位姿 + 关系属性——在 replan time 喂给诱导出的 Python transition program 用，最后用 CEM-MPC 做 receding-horizon 规划。同一个"代码世界模型"思想，VPW 的产物给规划器用，本文给画面用，这是同形异用的两个物化方向。

coding agent 怎么当世界大脑：写代码维护可执行状态

把上一章 pipeline 图的左半放大来看。

coding agent 扮演的是大脑角色，输入是意图/动作/已有 World State，输出是新的代码与新的状态变量。这条回路是事件驱动的（event-driven）——绝大多数状态更新不调 agent；只有当新情况无法用现有机制处理时，agent 才被唤起去本地修改世界程序Code World Model. 日常执行交给代码，agent 只在决策节点上出现。这跟读者熟悉的 agent 自我反馈循环很像——agent 在关键决策点介入、把日常执行委托给更高效的机制、然后根据执行结果调整下一轮决策。

代码化状态 vs. latent 状态是这个设计的差异化核心。论文给了代码化状态的几项 native 优势——Fig. 2 在 World State 块旁标注了 persistent / executable / modifiable 三项（persistent：状态在内存中持续存在，不像 latent 在每次 forward 后消失；executable：状态可以被代码实际执行和测试；modifiable：状态可以被运行时修改，agent 不必从头重新生成）；§3.2 又用 constructible / inspectable / addressable / locally editable 描述 proxy 端同类的可维护性质Code World Model. 这些属性合起来意味着，长时一致性问题可以从"神经网络忘掉过去"转移到"代码明确记住过去"。前者很难修，后者天然成立。（注："queryable"作为对代码可查询性的概括，是本教程的解读，论文原文未把 queryable 列进上述任一组属性。）

形式上论文给出了一个干净的状态分解Code World Model:

$$ S_t = (S_t^{\text{exe}}, S_t^{\text{vis}}) $$

$$ S_{t+1}^{\text{exe}} = \mathcal{T}_{\text{AC}}(S_t^{\text{exe}}, A_t) $$

$$ S_{t+1}^{\text{vis}} \sim G_\theta(S_t^{\text{vis}}, S_{t+1}^{\text{exe}}) $$

三个式子讲的是：状态拆成可执行分量 $S^{\text{exe}}$ 和视觉分量 $S^{\text{vis}}$；前者由一个 transition operator $\mathcal{T}{\text{AC}}$（agent 和 code 共同实现）按动作 $A_t$ 推进；后者由生成器 $G\theta$（即视频模型）根据当前视觉状态和新到的可执行分量采样生成。注意这个分解里"把 $S^{\text{exe}}$ 当作 $G_\theta$ 的输入"只是一种抽象条件依赖——真正的输入是 proxy 编译后的视频片段，不是裸代码。

原型使用的具体 coding agent 是 GPT-5.6 Sol（论文 paper-asserted）。它从已有的 AAA 游戏引擎代码开始，combine / extend / rewrite 出目标世界Code World Model. 这意味着 agent 不是从零写起，而是站在已有代码资产之上做改造——更接近软件工程师在已有 codebase 上加 feature，而不是造一个新世界。

来看 WorldCoder 的对比图，把"代码世界模型"在另一条闭环上的形态看清楚：

图注：WorldCoder 三段式架构——LLM 通过 REx refinement 合成 Python transition function 与 reward function，Planner（depth-limited value iteration 或 MCTS）在代码上 tree search 输出动作，环境反馈回 replay buffer 形成闭环。这是 RL planning 范式下的早期代码世界模型，跟本文的"coding agent + 视频渲染器"用途不同。

两图并排一比较，"代码被谁消费"这一关键差异立刻显形：WorldCoder 的代码被 planner 直接消费——tree search 在代码实现的 transition 上跑，输出 action；本文的代码被视频渲染器消费——编译成 proxy 喂给 H3 出像素。同一动作（LLM 写 Python），两条不同的闭环（planner 闭环 vs. 渲染闭环），下游用途截然不同。

这就把 WorldCoder 的 $\phi_1 \wedge \phi_2$ 学习目标和本文的 agent 回路放到同一张地图上。WorldCoder 把世界建模形式化为程序合成问题，要求代码同时 fit data（$\phi_1$）和存在一条乐观路径拿到正奖励（$\phi_2$）WorldCoder. 本文没有把"让代码同时拟合 + 乐观"这一对约束写进学习目标，因为本文不需要它产生动作——本文需要它产生像素。所以本文的 agent 回路更轻：读现有状态、决定要不要改代码、改完让代码执行、再把执行结果回写状态。没有 tree search、没有 reward shaping、没有价值函数估计。

画师照分镜作画：MiniMax-H3 怎么接收 proxy

渲染器这一头需要单独拆开讲，因为 MiniMax-H3 不是论文作者训练的模型，而是被选为下游工具的第三方系统。

图注：复用 pipeline 图右半段。World State 经 Proxy Compiler 编译为 Proxy Video 与结构化文本提示，两者共同喂给 Video Model，模型生成 RGB 观测帧。

MiniMax-H3 的身份需要先理清。它是中国 AI 公司 MiniMax（License 实体 Nanonoble Pte. Ltd.，产品线 Hailuo AI）发布的第三代视频生成模型，2026-07-30 创建 GitHub 仓库，2026-08-03 全面开源，License 名为 MiniMax H3 Community License Agreement（2026-08-02 生效），Excluded Territories 包含欧盟、英国、韩国、美国MiniMax H3. 三模块系统结构如官方总览图：

图注：MiniMax H3 三模块系统总览——H3-Context-IR 把原始多模态输入转换为结构化 Context Intermediate Representation；H3-Base 生成 768p 视频 + 音频；H3-Regenerate-2K 利用原始 context 再生到 2K 分辨率。Context Guidance 旁路箭头跨过 H3-Base 直接连到 Regenerate 阶段，意味着原始 context 被 2K 阶段复用。

H3 是 pipeline 而非单一模型。H3-Context-IR 与 H3-Regenerate-2K 只以 API 形式提供，没有可开源权重；H3-Base 的 768p checkpoint 已经开源，其中 33B 参数 dense single-stream Transformer 联合去噪视频与音频 latentMiniMax H3. 三种输入模式覆盖了 proxy 注入的两种物理路径：T2VA（纯文本）、FL2VA（首末帧条件，0/1/2 张参考图）、Ref2VA（≤9 图 + ≤3 视频 + ≤3 音频的混合参考，CFG-distilled 无 guidance scale）MiniMax H3.

论文的原型用 H3 Ref2VA checkpoint 加 LoRA 微调。具体的训练配置很硬：rank-128 LoRA 跨 50 个 transformer block，约 5.96 亿可训练参数；AdamW、global batch 8、weight decay 0.01、gradient-norm clipping 1.0、BF16 mixed precision、FlashAttention-3、gradient checkpointing、关闭音频损失；3 个 epoch、3534 个 optimizer step、100 步 warmup、cosine LR decay 从 $2 \times 10^{-5}$ 到 $1 \times 10^{-6}$；训练硬件是 8×H800Code World Model. 训练数据来自 157 段 GTA V gameplay，约 5.6 小时，按 2 秒步长采样成 9420 个 5 秒 clip，每个 clip 是 124 帧 @ 1344×768 @ 24 FPS 的视频；proxy 与之对齐，也是 124 帧 @ 336×192Code World Model.

proxy 怎么送进 H3？通过两条物理路径。第一，多模态编码器接收 system instruction、clip-specific text description，以及从 124 帧中每隔 12 帧采样的 11 帧 proxy 帧（offsets 0, 12, 24, …, 120），让 H3 把 proxy 当作多帧参考条件输入。第二，首帧外观锚由 GPT Image~2 根据首个 proxy 帧和 agent 写的文本 prompt 生成 1536×864 锚图，resize 到 1344×768 后同时送入多模态编码器与 Ref2VA appearance-reference branch——这把"这一段视频长什么样"这个外观问题从 proxy 端抽出来，由独立的图像模型决定Code World Model.

长视频推理靠滑动窗口拼接。每个窗口 124 帧，相邻窗口之间保留 34 帧重叠，每推进一个新窗口生成 90 帧。第一个窗口用 GPT Image~2 锚作为全局身份；后续窗口复用同一锚、同时把前一窗口末尾 34 帧 RGB 作为局部连续性条件。stitching 时第一个窗口全保留，之后每个新窗口丢弃那 34 帧重叠、留下 90 帧拼接——这样首尾在像素层面自然过渡Code World Model.

把视角拉到同月的另一端，给"把动力学交给代码"做一个镜像对照。MiniWorld 是 2026 年 8 月的端到端视频世界模型代表，把一切塞进一个 block-causal Video DiT：

图注：MiniWorld 整体架构——Video VAE 把 RGB 编码为 latent volume，actions/camera poses 转成 latent-frame-aligned 条件信号；latent 序列按时间切 chunks，block-causal Video DiT 配 chunk-wise non-decreasing noise schedule；streaming 推理靠 rolling KV cache + bounded active window 撑长 horizon。这是"动力学留在 latent 里"的端到端正方代表。

镜像对照一眼可见。本文把 World State 从神经网络抽出来交给代码、把视觉交给外部条件渲染器；MiniWorld 把这一切塞进一个 Video DiT、用 chunk-wise non-decreasing noise schedule 和 rolling KV cache 撑长时一致性。两者对"端到端模型学不好物理"这同一诊断的修法相反：一个抽出、一个加重。

怎么把代码状态和像素对齐：代理-观测对数据管线

proxy-observation pair 数据管线讲的是：怎么把游戏或真实视频里录到的 RGB，跟同时录到的、能完整重建 proxy 的结构化状态，一对一对齐起来供训练。

两条数据源共享同一套 primitive 词汇。游戏一路用 GTA V runtime 同步记录——目标视频与构造 proxy 所需的 runtime state 在同一执行里被同步录下，proxy 保留相机态、实体位置与朝向、近似尺度、场景布局、交互关键态，自动产出 pixel-wise instance map 与跨帧绑定Code World Model. 它明确排除骨骼姿态、详细 3D 模型——这两种信息 coding agent 难以在推理时复现。

真实视频一路用 KITTI-360 做 offline 3D 重建——calibrated camera poses、累积 3D 重建、3D object annotations 仅在 offline 构造阶段使用，视频模型推理时完全不接触这些几何Code World Model. 同一个 primitive 词汇在这里继续生效：capsule skeleton 给行人、wireframe 给车辆、low-poly 给植被、粗 3D extent 给大建筑。整个 proxy 投影到共享 depth buffer 后渲染，保留相机运动、空间对齐、遮挡关系。这种构造的一个隐含收益：KITTI-360 端不需要 action labels 或显式相机位姿标注——两者被 bake-in 进了 proxy 帧本身。

论文里有一句话值得反复读："因为抽取和编译是基于代码的，coding agent 可以通过小范围局部程序改动轻松新增或调整保留的标注通道"Code World Model. 这一句把"code as world model"的设计哲学直接打通到数据管线：proxy 提取工具就是同一份代码，agent 能改、就能加新通道。这是 latent 路线没有的能力——在那里，数据 schema 改一次等于整个 latent 表征重训。

来看同期同方向对照——另一种代码 + 视频模型双引擎的物化方式：

图注：VideoCoCo 双引擎框架。Stage 1（Executable Simulation Engine）：用户 prompt 经 coding agent 写成自包含 Blender 程序，沙箱内执行得到低分辨率白模时空草稿。Stage 2（Generative Video Engine）：同一 prompt + Stage 1 草稿经 instruction agent 生成 editing instruction，与草稿共同喂给视频编辑模型，得到 photorealistic 视频。executable draft 供过程级动力学，编辑模型供 photoreal 外观。

这张图揭示了"代码 + 视频模型"双引擎结构的另一种物化方式。VideoCoCo 的 coding agent 写 Blender Python 程序，sandbox 执行后渲染出白模时空草稿；instruction agent 读同一 prompt + 草稿，生成描述外观/材质/光照的 editing instruction；视频编辑模型把草稿 restyle 成 photoreal 视频。结构上跟本文的双组件一致，但有一个关键差异：VideoCoCo 是 per-prompt 单次程序，不维护跨样本的 persistent world stateVideoCoCo.

差异的物理后果很直接。本文让 coding agent 维护的状态是持久的、可在多轮交互中被回写查询；VideoCoCo 的 Blender 程序跑完即弃，下一次 prompt 再写一份新的。前者关心的是"长时一致性如何随演化保住"，后者关心的是"这一次生成的物理一致性如何提上去"。两个不同目标，两种不同物化。

对照、局限与脉络：本文在世界模型谱系里的位置

论文 §4 的实验结果只是定性的。Fig. 4 给出 5 个案例，每个案例 6 帧 proxy + 6 帧 RGB 对齐：Sailor Moon 在巫师学院庭院里跳棒舞、James Bond 在雨夜 bazaar 与船夫搏斗、celestial manta-skiff、dandelion-seed 信使、brass-bell 香客。每个案例背后是一份 coding-agent 写的完整文本 promptCode World Model. 论文没有给出 benchmark 数字、没有对比基线表、没有 FVD 或 per-task 分数。下游写作如果想引用"达到 SOTA"或"优于 X"——都不成立。

作者明确声明两项局限Code World Model:

1. 训练规模小——5.6 小时 GTA V、9420 clip、3 epochs、8×H800；论文自陈"生成质量仍然受限"，"未实现 autoregressive real-time generation"。这意味着这套原型不打算替代游戏引擎或实时仿真器，只是一个 proof-of-concept。
2. 当前 coding agent 仍不能从零构建复杂游戏机制——原型演示的"自主构造完整开放世界游戏或仿真器"还没有做到。agent 站在已有 AAA 引擎代码之上做 combine/extend/rewrite 是可行的，从零开始造一个 GTA V 等价的世界目前还做不到。

这两条局限直接影响适用边界。本文方案适合作为"代码 + 视频模型"架构的概念验证，而不是"现在就能用的开放世界生成器"。

同期同方向对照

把视角拉到 2026 年七、八月同方向的其他工作，定位本文的位置。

代码 + 视频模型这条线有 VisualPatchWorld、VideoCoCo、本文三家。VisualPatchWorld 把代码用作 image-derived scene graphs 喂给可执行 transition program，下游是 receding-horizon CEM-MPC 规划；VideoCoCo 把代码用作 Blender 程序喂给视频编辑模型，下游是物理一致性提升；本文把代码状态编译成 proxy 喂给外部条件视频模型，下游是长时开放世界演化。三家共享"代码作为世界模型"主线，但产物下游用途完全不同。

端到端 + 显式动力学这条线有 LDR。LDR 也是 2026 年 8 月的同月工作，诊断与本文相同（端到端视频模型学不好物理），修法相反——不在 latent 里把动力学抽走，而是在 latent 里把动力学显式搭出来，用 kinematic integration + 高阶残差回归的方式在 latent space rollout：

图注：LDR pipeline——给定三帧条件 I₀,I₁,I₂，编码器把每帧编为结构化潜空间（SL）；测量 SL 的低阶时间导数，rollout 时只让网络 f_θ 回归 third-及更高阶残差，由公式 ṡ_{t-1} ← ṡ_{t-2} + s̈_{t-2}·Δt、ŝ_t ← ŝ_{t-1} + ṡ_{t-1}·Δt 数值积分得到下一 latent；最后由 decoder 把每个预测 latent 还原为 RGB 帧。整个数值积分链路固定，只有 f_θ 学习。

LDR 的关键主张是"真实学到动力学的视频世界模型应能在 OOD 下外推"，并在 PhyWorld 五任务（uniform motion、parabola、collision、bouncing、looming）上给出定量支撑——ID/OOD error gap 比基线缩小 20×、参数少 26×、速度快 143×LDR. 这三个数字必须带三个限定：PhyWorld 五任务、256² 分辨率、DiT-S 基线，缺一不可。LDR 把动力学留在网络内但显式搭出来，本文把动力学整个抽走交给代码——两种修法都声称自己抓住了物理，但 LDR 的可量化证据更强，因为它把同样的诊断落到具体 benchmark 上做了对比。

Code World Model 谱系的历史脉络

把视野放到 2020 到 2026 这条更长的脉络上，看清本文出现在哪个节点。

最早一站是 DreamerV2（Hafner 等，ICLR 2021）——端到端 latent dynamics 路线的经典基线。它的世界模型由 image encoder、Recurrent State-Space Model（RSSM）、image/reward/discount 三个预测头组成；动力学全部塞进 RSSM 的 latent 空间，通过预测误差学出来；policy 在 latent imagination 里学DreamerV2:

图注：DreamerV2 RSSM recurrent flow——CNN encoder 提取图像特征，RSSM 维护 deterministic recurrent state h_t、posterior z_t（整合当前 x_t）与 prior ẑ_t（只用 h_t 预测）；图像/reward/discount 三 predictor 从 compact model state (h_t, z_t) 重建与预测；KL loss 同时训练 prior 与 regularize posterior；上方小循环代表使用 prior 做 imagination rollout。这是把动力学放在 latent 里的端到端路线代表。

2024 年是关键转折点。WorldCoder（Tang、Key、Ellis，Cornell，NeurIPS 2024）把"代码作为世界模型"推到 RL planning 范式：LLM 写 Python transition function 与 reward function，planner 在代码上做 tree search 输出 action，环境反馈回 replay buffer 形成闭环WorldCoder. 同年 Dainese 等人用 GIF-MCTS（Generate/Improve/Fix + Monte Carlo Tree Search）让 LLM 迭代合成 RL 环境 transition 程序，并提出 Code World Models Benchmark（CWMB，18 个 RL 环境）做评测Dainese et al. 2024. 这两条工作的"Code World Model"指的是 RL planning 范式——Python 程序喂给 planner，输出 action。

然后是 2026 年的合并。本文把"程序化世界模型"那条线（WorldCoder / Dainese CWM 都在这条线上）与"视频世界模型"那条线（DreamerV2、MiniWorld、LDR 都在这条线上）合到一起——coding agent 写 Python 维护持久世界状态，proxy 编译把这份状态喂给外部条件视频模型，模型生像素；下一轮观察和新事件回到 coding agent 闭环。同期 VisualPatchWorld 和 VideoCoCo 也走了类似合并路线，但下游用途不同：VisualPatchWorld 给规划，VideoCoCo 给物理一致性，本文给长时开放世界演化。

这条脉络可以用一句话收口：本文是把 2024 之后分化出的"程序化世界模型"与"视频世界模型"两条线合到一起的尝试。它的赌注是"动力学脱离像素 + 渲染交给外部条件生成"这套分工能在开放世界长时任务里打开一条路，但训练规模小、agent 能力受限这两个限制还有待后续工作解决。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Code World Model: Coding Agent as World Brain — arXiv:2608.25927
2. VisualPatchWorld: Code World Models as Latent Structured Representations for Planning — arXiv:2607.25236
3. VideoCoCo: Code-as-CoT for Physically-Consistent Video Generation via an Agentic Dual-Engine System — arXiv:2607.27380
4. MiniMax H3: An Open Model for Unified Multimodal Video-Audio Generation — https://github.com/MiniMax-AI/MiniMax-H3
5. MiniWorld: Democratizing the Training of Video World Models from Scratch — arXiv:2608.01127
6. Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning — arXiv:2608.09926
7. WorldCoder, a Model-Based LLM Agent: Building World Models by Writing Code and Interacting with the Environment — arXiv:2402.12275
8. Generating Code World Models with Large Language Models Guided by Monte Carlo Tree Search — arXiv:2405.15383
9. Mastering Atari with Discrete World Models (DreamerV2) — arXiv:2010.02193