Valerant：用世界模型自动生成可导航的3D游戏地图

从视频预测到可导航的3D世界

世界动作模型（World Action Models, WAMs）近年来在具身智能领域快速崛起。它的核心思想是将"预测性世界建模"与"动作生成"耦合起来——模型不仅能预测环境接下来会变成什么样，还能据此指导智能体做出下一步动作。这种"先想象、后行动"的范式，让机器人和自动驾驶系统能够在心中"预演"未来，从而做出更合理的决策。

然而，一篇新发布的 arXiv 论文（arXiv:2609.09418）指出：尽管世界动作模型在具身AI中进展迅猛，在游戏领域的通用化应用却几乎是一片空白。现有的游戏导向方法大多把动作条件世界模型与外部策略、奖励函数拼接起来，勉强实现类似 WAM 的决策能力，但它们几乎都停留在2D视觉观测空间，无法构建出持久存在的三维几何结构。

研究团队提出的 Valerant 框架，正是瞄准了这一空白：它试图把一个预训练的动作条件世界模型，改造成能够探索并构建3D游戏地图的完整系统。

游戏世界与现实世界的根本差异

论文敏锐地抓住了一个此前被忽视的关键问题：游戏世界没有"外部基底"。

在自动驾驶和机器人场景中，物理环境是独立于模型而存在的。无论模型如何预测，真实世界始终提供着一个持久的三维空间，选定的动作可以在其中被真实执行。换句话说，模型只需要"理解"世界，世界本身已经在那里。

虚拟世界必须被"实例化"

但游戏完全不同。虚拟世界本身需要被创造出来。大多数可玩的游戏都要求一个持久且可导航的空间，而3D游戏还额外要求显式的几何结构——只有这样，角色才能真正在其中移动、交互。

这里就产生了一个技术断层：动作条件视频推演（action-conditioned video rollouts）能够生成连续的视觉画面，但它提供的只是"看起来像"的图像序列，并不包含真正可供导航的空间表征。你可以让模型"想象"出一段游戏画面，却无法让角色在这段画面里真正走动、碰撞、探索。Valerant 要解决的核心问题，正是如何从视觉推演中"提炼"出可用的三维几何。

Valerant 的核心机制：三大模块协同

Valerant 最引人注目的一点是它是一个免训练（training-free）框架。它并不需要重新训练一个庞大的模型，而是巧妙地组合了三个已有的能力模块，让它们协同工作。

预测性视觉推演

借助预训练的动作条件世界模型，Valerant 能够根据给定动作预测出后续的视觉画面。这相当于让模型"设想"如果角色朝某个方向移动，画面会变成什么样。

基于 SLAM 的三维空间重建

单纯的视觉预测不足以支撑导航，因此 Valerant 引入了 SLAM（同步定位与地图构建） 技术。SLAM 在机器人领域已相当成熟，它能从连续的视觉观测中反推出三维几何结构和相机位姿。通过这一步，那些原本"虚幻"的预测画面被转化为持久的三维空间表征。

探索驱动的动作选择策略

最后，Valerant 采用探索驱动的策略来决定下一步该往哪里走。它会主动选择那些能够拓展未知区域、完善地图的动作，从而让3D地图不断"生长"。

通过这三大模块的耦合，Valerant 能够从单张图像出发，逐步将其扩展、构建成一张完整、持久、可导航的3D游戏地图。

Valerant 的意义与潜在影响

Valerant 的价值主要体现在两个层面。

在方法论层面，它把世界动作模型的交互范式从2D视觉仿真推进到了3D空间构建。以往的世界模型更多是"预测像素"，而 Valerant 让世界模型第一次真正承担起"构建可用空间"的职责。这是 WAM 应用边界的一次实质性扩展。

在游戏开发层面，它为3D游戏地图创作提供了一条降低人工成本的新路径。传统游戏地图的设计与建模是一项极其耗费人力的工作，需要美术、关卡设计师反复打磨。如果能够以一张概念图或参考图为起点，让模型自动探索并生成可导航的三维场景，将极大提升开发效率，尤其对独立开发者和快速原型制作具有吸引力。

仍需审视的局限性

作为一篇刚发布的预印本论文，Valerant 仍有诸多问题有待验证：

• SLAM 重建在纯预测画面（而非真实观测）上的精度表现如何？
• 世界模型预测的累积误差会不会导致地图出现"漂移"或崩坏？
• 生成的地图在游戏可玩性和几何合理性上能否达到实用标准？

这些都需要更多实验和后续工作来回答。

但无论如何，Valerant 提出的思路——把世界模型从"想象画面"升级为"构建世界"——代表了一个值得关注的研究方向。它提醒我们，生成式AI在游戏领域的想象力，或许远不止于生成一段可玩的画面，而在于自动化地搭建起整个可交互的虚拟空间本身。