CoDeR：用可执行世界状态约束视频生成

图 2 的五个角色如何让“看过的世界”影响下一段生成？

1. 1

   从概念生成可执行空间

   用户提出概念，Creator 规划功能空间与对象、接口和连接图，Executors 编写 Three.js 世界。空间按职责而非必须互不相交的房间划分；代码维护离屏资源、物体状态等，GPT-6-Astra 用于代码创建。

2. 2

   用白模与控制信号指导视频外观

   Artist 以 MiniMax-H3 生成视频，接收代码世界提供的几何和相机信号。Visual Cue Hacking 利用边缘、深度控制生成风格化训练配对，缓解白模轮廓与真实图像域不匹配。

3. 3

   将生成画面注册回三维表面

   利用代码几何和相机将 RGB 回投到表面，检查可见性与是否同一表面，融合已观测外观。这个缓存提供外观记忆，但 RGB 可能混入光照与阴影，不是已分离的反照率或标准材质。

4. 4

   以部分注册渲染构造后续上下文

   Traveler 移动后重新渲染已注册部分，作为下一次生成的约束；未观测区域仍需补全。它把持久代码状态和连续外观连接起来，长期漂移仍可能在注册与再生成中积累。

5. 5

   区分结构控制与物理真实性

   对象交互和状态由代码规则执行，视觉模型补细节。代码可以减少“忘记物体”，却可能包含错误碰撞或简化行为；材质分解、PBR 参数与高保真物理需要额外工作，不能仅靠画面连贯证明。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

论文称将发布代码及权重；作者所列项目页本次返回 404，未核实实际发布制品。

LICENSE代码、模型许可待发布核实。