ReactiveGWM: Steering NPC in Reactive Game World Models

Paper: arXiv:2605.15256 Code: INV-WZQ/ReactiveGWM Code reference: main @ a3ca9594 (2026-05-18)

1. Motivation（研究动机）

现有 game world model 大多从玩家视角建模未来帧：给定初始帧 $x_{0}$ 、玩家动作序列 $a_{T}$ 和一个描述场景的 vanilla prompt $P_{vanilla}$ ，模型直接预测未来视频 $x_{1 : T}$ 。问题在于，这种 prompt 会把玩家动作、背景、NPC 行为全部缠在一起，NPC 只是画面里被动出现的像素模式，而不是一个会依据战术意图作出反应的 agent。结果是，模型虽然能把玩家输入渲染成视频，却很难生成真正“会对打、会压制、会防守”的 NPC 互动。

这篇论文要解决的不是“如何再提升视频质量”，而是更具体的问题：如何在保持玩家动作精细可控的同时，让 NPC 也能根据高层策略指令作出自主反应，例如 Offense、Control、Defense 这三类战术风格。这个问题值得研究，因为一旦做成，world model 就从“玩家动作驱动的视频渲染器”更接近“有交互逻辑的模拟器”。对于游戏生成、NPC 行为设计、跨游戏可迁移控制来说，这比单纯 next-frame prediction 更接近真正可玩的世界模型。

Figure 1 解读：Figure 1 用 SF3 可视化展示了论文最想证明的能力：在玩家动作持续输入的同时，NPC 还能表现出可区分的战术风格，而不是随背景纹理随机波动。图中同一框架下可以切换不同 strategy prompt，说明作者的目标不是只生成“像街霸”的视频，而是让 NPC 的交互逻辑可被显式操控。

2. Idea（核心思想）

核心洞察是把“玩家控制”和“NPC 自主行为”在条件注入层面显式拆开。玩家动作属于低层、逐帧、离散的控制信号，更适合直接注入视频生成 backbone；NPC 战略属于高层、长时程、语义化的控制信号，更适合通过文本 cross-attention 去影响视觉时序 latent。

对应地，ReactiveGWM 用一个轻量 additive action bias 处理玩家动作，用 strategy-aware NPC prompt 通过 cross-attention 处理 NPC 战术。与传统 player-centric world model 相比，最大的不同不在于换了 backbone，而在于条件分工发生了变化：以前所有动态都挤进一个 vanilla prompt；现在玩家动作决定“我方怎么动”，NPC prompt 决定“对手想怎么打”。更进一步，作者声称 cross-attention 学到的是 game-agnostic 的 NPC control logic，因此只迁移 cross-attention 模块就能把某个游戏里学到的战术行为零样本转移到另一个 vanilla world model 上。

3. Method（方法）

3.1 从 vanilla player-centric world model 到 reactive world model

论文先把现有方法形式化为： $x_{1 : T} = F_{vanilla} (x_{0}, a_{T}, P_{vanilla})$ 其中 $P_{vanilla}$ 描述整个场景，包括玩家相关事件和 NPC 所在环境。作者认为这会让 NPC 行为只能作为 prompt distribution 的副产物出现。ReactiveGWM 改写为： $x_{1 : T} = F (x_{0}, a_{T}, P_{NPC})$ 这里的 $P_{NPC}$ 不再描述整幅场景，而只描述 NPC 的高层战术意图。于是模型必须同时处理两件事：一是忠实执行玩家动作，二是让 NPC 在长期动态上符合战略指令。这个改写听起来简单，但它改变的是控制信号的职责边界，也是整篇论文最关键的 conceptual move。

3.2 Strategy-aligned data construction

方法成立的前提是有能够监督 $P_{NPC}$ 的训练三元组 $(x_{0 : T}, a_{T}, P_{NPC})$ 。作者选了两个 2D 格斗游戏作为主实验环境：Street Fighter II: Champion Edition（SF2）和 Street Fighter Alpha 3（SF3）。数据构造流程分三步。第一步，使用 stable-retro 程序化采集 gameplay。随机 agent 从 13 个离散行为里均匀采样，直到一局 KO 结束；去掉开局前 5 秒后，把剩余视频切成 5 秒 clip，每段对应 100 帧、20 FPS。第二步，记录每帧玩家输入，把它保存成二值按钮向量。附录 A 给出了两款游戏的攻击键语义映射以及 13 个离散行为定义，其中方向键共享，攻击键在 SF2/SF3 之间不同。第三步，用 Gemini 对每个 clip 做 NPC strategy annotation，先抽取 factual observations，再做 deterministic rule-based classification，最后拼成 NPC prompt。 NPC prompt 形式为： $P_{NPC} = {Active (\cdot), Passive (\cdot), Strategy (category, description)}$ 其中 Active 包含 punch、kick、projectile 等主动行为标签，Passive 包含 block、hit-stun、knockdown 等被动状态，Strategy 则在 Offense、Control、Defense 三类之间取值。作者报告每个游戏大约构造了 $\sim 10, 000$ 个训练三元组。

Figure 2 解读：Figure 2 展示了数据管线的关键点不是“给视频配一段文字”，而是把 NPC 标注拆成 raw gameplay、VLM factual observation、再到 structured prompt 三层。与 vanilla prompt 相比，NPC prompt 把场景描述压缩成高层行为约束，从而强迫模型把 NPC 当成一个需要服从战术语义的交互主体。

附录 A 还给出了更细的标注规则。Stage 1 里，Gemini 回答 12 个封闭集问题，例如是否 punch/kick、是否 jumps、是否 sonic boom、是否 advances、是否 crouches guard、谁更积极攻击等。Stage 2 再依据规则映射到三类策略，例如：

Offense：range=close ∧ advances=yes ∧ has_melee ∧ sonic_boom=0 ∧ pressure=yes ∧ who=guile
Control：range ∈ {mid, far} ∧ advances=no ∧ sonic_boom≥1 ∧ ¬has_melee ∧ takes_damage=no
Defense：¬has_melee ∧ sonic_boom=0 ∧ crouches_guard=yes，并满足更强的 passive / active 标签约束

这种两阶段设计的直觉是：高层策略太抽象，直接让 VLM 输出 strategy label 容易幻觉；先输出事实，再用规则引擎做 deterministic classification，可以把误差限制在可观察事实层面。

3.3 动作注入：每个 DiT block 前加 additive action bias

ReactiveGWM 的 backbone 是 Wan2.2-TI2V-5B。作者在 DiT block 里加入 action module，让模型在 latent 空间里感知玩家动作。

Figure 3 解读：Figure 3 的结构很直接但很重要。视频 latent 主干仍然经过 Self-Attention、Cross-Attention 和 FFN；新加的 Action Module 只负责把动作序列投影成一个与 video token 同维度的 bias，再在进入 self-attention 之前做加法。也就是说，玩家动作不是作为文本 token 去和视觉 token 竞争注意力，而是作为 residual bias 直接推动 latent 轨迹。

设每步离散动作为 $a_{t} \in {0, 1}^{K}$ ，这里两款游戏都取 $K = 10$ 个按钮列（UP DOWN LEFT RIGHT Y X Z A B C）。令输入视频长度为 $T$ ，VAE 的 temporal compression ratio 为 $T_{v}$ ，则 latent 时间长度为 $f = T / T_{v}$ 。论文先对动作在时间轴上做 adaptive max-pooling，把原始按钮序列对齐到 latent 帧率。对第 $i$ 个时间 bin $B_{i}$ ： $\overset{a}{ˉ}_{i, k} = max_{t \in B_{i}} a_{t, k}, i \in [0, f), k \in [0, K)$ 于是 $\overset{a}{ˉ} \in {0, 1}^{f \times K}$ 。接着对每个 DiT block $ℓ$ ，学习一个无 bias 的线性投影 $E_{ℓ} : R^{K} \to R^{C}$ ，再把得到的动作 embedding 广播到整个空间 patch 网格： $x^{(ℓ)} \leftarrow x^{(ℓ)} + E_{ℓ} (\overset{a}{ˉ}) \otimes 1_{h \times w}$ 其中 $x^{(ℓ)} \in R^{B \times L \times C}$ ， $L = f \times h \times w$ 。这个设计的直觉是：玩家动作应该像控制杆一样，直接以低带宽方式推动 backbone 的隐状态，而不需要引入更重的 adapter 或额外 cross-attention。

从 released code 看，这个设计在 inference/models/dit.py 里实现为 WanModelAction。每个 block 都有一个 nn.Linear(num_buttons, dim, bias=False) 存在 action_embedders 里；_bin_action 里通过 F.adaptive_max_pool1d(..., output_size=f) 做时间对齐；_inject_action 再把 [B, f, C] 广播成 [B, f*h*w, C] 并加回 token sequence。

3.4 NPC strategy grounding：cross-attention 学语义战术，backbone 维持游戏动力学

作者把 NPC strategy grounding 放在 cross-attention 路径上。训练 source game（Game 1）时，使用完整的 strategy-aligned dataset 对整套架构做 full-parameter fine-tuning，包括 Action Module、Self-Attention、Cross-Attention、FFN。这里 cross-attention 的职责是把 $P_{NPC}$ 中的高层文字战术对齐到视觉时序 latent 上。

Figure 4 解读：Figure 4 把方法拆成两个阶段。左侧是 source game 上的 supervised training：用 strategy-aligned prompt 训练出能表现自主 NPC 的 ReactiveGWM_base。右侧是 transfer：目标游戏先有一个 vanilla world model，再把 source game 学到的 cross-attention 直接替换进去，而保留目标游戏 backbone 的 Action Module、Self-Attention 和 FFN，从而获得 ReactiveGWM_transfer。图里强调的是“只换跨模态策略通道，不动原生视觉动力学”。

这个 transfer 设计的核心假设是：backbone 的大部分参数负责维持目标游戏的视觉和物理动力学，cross-attention 只负责注入一个相对低带宽、但方向上有意义的策略信号。论文在第 4.4 节给出了定量分析支持这个假设。

3.5 为什么只 transfer cross-attention 也能工作

论文把每个 transformer block 中 residual update 的三个来源写成 Self-Attention（SA）、Cross-Attention（CA）和 FFN，并定义 cross-attention 能量占比： $ρ_{cross}^{ℓ} = \frac{∥ C A _{ℓ} ∥ _{2}}{∥ S A _{ℓ} ∥ _{2} + ∥ C A _{ℓ} ∥ _{2} + ∥ FF N _{ℓ} ∥ _{2}}$ 在 SF2 transfer analysis 中，作者测得 ReactiveGWM_transfer 的 $ρ_{cross}$ 只有 0.71%，几乎与 vanilla 模型的 0.70% 相同。这说明从“幅值”上讲，cross-attention 更像一个低带宽控制通道，并不会主导主体视觉结构。

但与此同时，作者定义 transferred 与 vanilla 的 cross-attention 差分方向： $Δ_{ℓ} := C A_{ℓ}^{T} - C A_{ℓ}^{V}$ 并观察到 token-averaged cosine similarity $cos (C A_{ℓ}^{V}, C A_{ℓ}^{T})$ 降到 0.55。也就是说，虽然 CA 占比不大，但它引入了一个足够不同的方向信号；这个信号在 30 个 block、30 个 diffusion steps 上累积，就能改变 NPC 战略轨迹而不破坏主要视觉动力学。

这一段的直觉解释很关键：作者不是说 cross-attention 很强，而是说它“足够小，不伤原画面；又足够偏，不同方向能改行为”。

3.6 论文公式与 released code 实现差异

这里需要明确写出一个 released code 与论文描述的差异。

论文第 3.3 节写的是：原始动作序列先通过 adaptive max-pooling 对齐到 latent 时间长度 $f$ ，然后每个 block 用线性层投影后广播注入。
released inference 代码里，这个 adaptive max-pooling 仍然存在于 inference/models/dit.py 的 WanModelAction._bin_action。
但在更前面，inference/utils/actions.py 的 load_actions 还多做了一步 hold_last_upsample：把 parquet 里的 10 Hz 键位流先按固定窗口 forward-broadcast，再喂给 DiT。该文件注释明确写着这是 “Mirrors training-time densification”。

因此，更准确的 released code 路径是：actions.parquet 先做 hold-window densification，再做 adaptive max-pooling 到 latent 时间轴。论文正文只强调了后者，没有显式展开前者。这个差异不影响总体方法主张，但如果按论文公式直接重写代码，会漏掉 released inference 里与训练时一致的 densification 处理。

3.7 Pseudocode

伪代码 1：构造 strategy-aligned NPC prompt

def build_npc_prompt(video_clip, vlm, rule_engine):
    facts = vlm.observe_clip(video_clip)
    # facts include melee actions, projectile count, range, advances,
    # takes_damage, crouches_guard, initiative, active/passive tags
    strategy = rule_engine.classify(facts)
    active_tags = facts["active_tags"]
    passive_tags = facts["passive_tags"]
    prompt = {
        "Active": active_tags,
        "Passive": passive_tags,
        "Strategy": strategy,
    }
    return prompt

伪代码 2：每个 DiT block 的动作注入

import torch
import torch.nn.functional as F
 
def inject_action_bias(x, keyboard_action, action_embedder, h, w):
    # keyboard_action: [B, T_raw, K]
    # x: [B, f * h * w, C]
    B, L, C = x.shape
    f = L // (h * w)
    action_binned = F.adaptive_max_pool1d(
        keyboard_action.transpose(1, 2), output_size=f
    ).transpose(1, 2)                       # [B, f, K]
    emb = action_embedder(action_binned.to(x.dtype))   # [B, f, C]
    bias = emb.unsqueeze(2).expand(-1, -1, h * w, -1)
    bias = bias.reshape(B, f * h * w, C)
    return x + bias

伪代码 3：ReactiveGWM transfer

def build_transfer_model(vanilla_model, reactive_source_model):
    transfer_model = copy_model(vanilla_model)
    for block_t, block_s in zip(transfer_model.blocks, reactive_source_model.blocks):
        block_t.cross_attn.load_state_dict(block_s.cross_attn.state_dict())
    return transfer_model

伪代码 4：released inference pipeline

def run_inference(pipe, image, actions_parquet, prompt, negative_prompt):
    keyboard = load_actions(
        actions_parquet,
        num_frames=101,
        hold_window=10,
        device="cuda",
        dtype=torch.bfloat16,
    )
    ctx_pos = pipe.encode_prompt(prompt)
    ctx_neg = pipe.encode_prompt(negative_prompt)
    latents = init_noisy_latents(num_frames=101, seed=2)
    first_frame_latent = pipe.encode_first_frame(image)
    latents[:, :, 0:1] = first_frame_latent
 
    pipe.scheduler.set_timesteps(num_inference_steps=30, shift=5.0)
    for t in pipe.scheduler.timesteps:
        eps_pos = pipe.dit(latents, t, ctx_pos, keyboard_action=keyboard)
        eps_neg = pipe.dit(latents, t, ctx_neg, keyboard_action=keyboard)
        eps = eps_neg + 5.0 * (eps_pos - eps_neg)
        latents = pipe.scheduler.step(eps, t, latents)
        latents[:, :, 0:1] = first_frame_latent
 
    return pipe.vae.decode(latents)

Code reference: main @ a3ca9594 (2026-05-18) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function	说明
Inference entrypoint	`inference/inference.py`	`main`	CLI 参数、默认 steps / CFG / seed、调用 `SFPipeline`
End-to-end pipeline	`inference/pipeline.py`	`SFPipeline.from_pretrained`, `SFPipeline.__call__`	载入 Wan2.2 backbone、执行 CFG/action CFG、固定首帧 latent
Action-conditioned DiT	`inference/models/dit.py`	`WanModelAction`, `_bin_action`, `_inject_action`	每层 action linear、adaptive max-pool、残差注入
Text-conditioned NPC control	`inference/models/dit.py`	`_CrossAttention`, `_DiTBlock.forward`	strategy prompt 经 T5 embedding 后进入 cross-attention
Action parquet preprocessing	`inference/utils/actions.py`	`hold_last_upsample`, `load_actions`	10 Hz 动作流 densify 后转成 `[1, T, 10]` tensor
Variant defaults	`inference/constants.py`	`VARIANT_DEFAULTS`, `NEG_PROMPT`, `SF_BUTTON_COLS`	SF2/SF3 默认 prompt、训练分辨率、按钮列顺序
Flow-matching scheduler	`inference/utils/scheduler.py`	`FlowMatchScheduler.set_timesteps`, `step`	30-step Wan-style flow matching denoising

4. Experimental Setup（实验设置）

4.1 Datasets

Strategy-aligned training dataset：每个游戏约 10k 个 action-annotated 5 秒 clip，分别为 SF2 和 SF3 各一套。
Vanilla dataset：每个游戏另有一套等规模 vanilla dataset，也约 10k 个 clip，使用普通 descriptive prompt，用来训练 baseline vanilla world model。
Player Action Following benchmark：固定 100 次测试，由 10 个初始帧 × 10 个单键动作构成，每个 rollout 生成 41 帧。
NPC Strategy Following benchmark：固定 99 个 curated clips，按 33 个 Control、33 个 Defense、33 个 Offense 划分。
ClipAttackNet training data：约 5k clips，用于训练 attack classifier。

4.2 Baselines

论文比较了以下方法：

Vanilla：同一 backbone，但用 vanilla prompt 和 vanilla dataset 训练。
ReactiveGWM_base：在 source game 上用 strategy-aligned dataset 全参数微调得到。
ReactiveGWM_transfer：把 source game 学到的 cross-attention 注入到 target game 的 vanilla model。
Matrix-Game-3.0
LingBot-World-Base (Act)

其中后两者由于动作注入机制不同，只参与 NPC Strategy Following 和 Visual Quality 的参考比较，不参与玩家动作控制主评估。

4.3 Evaluation metrics

Move-Acc：用 SAM2.1 和 Grounding DINO 跟踪玩家角色位移，在归一化坐标空间里按阈值判断动作是否执行成功。
Att-Acc：用 ClipAttackNet（ResNet-18 + 4-layer dilated TCN）做逐帧 6 类攻击分类，置信度阈值为 0.7。
NPC Instruction Accuracy：用 Gemini 和 Qwen3-VL-8B 组成 referee ensemble，对 101 帧生成视频判断三分类战略是否匹配。
SSIM：帧平均结构相似度。
LPIPS：AlexNet backbone 的 full-frame LPIPS，越低越好。
Human study：19 名熟悉 2D fighting games 的参与者，分别对 player action following 与 NPC strategy following 做主观评估。

4.4 Training config

论文明确给出的训练相关配置主要有：

Backbone：Wan2.2-TI2V-5B
训练分辨率：SF2 为 480 × 608，SF3 为 480 × 832
Clip 长度：5 秒，20 FPS
ReactiveGWM 训练方式：source game 上做 full-parameter fine-tuning
Transfer 分析的 rollout 设置：每个模型、每种策略各跑一次，共 2 × 3 = 6 个 forward passes；每次生成 101 帧，分辨率 480 × 608，30 diffusion steps

但论文没有公开 GPU 类型、GPU 数量、全模型训练 batch size、learning rate、optimizer、训练步数、权重衰减等关键超参数；released GitHub 仓库当前也没有放出训练脚本或 experiment config。因此，这里不能把 inference 默认值误写成训练配置。比如 released inference 代码里的 --steps=30、--cfg=5.0、--seed=2 只对应公开推理脚本默认值，不等于训练超参。

从 released inference code 可核对的默认推理参数包括：

num_frames=101
num_inference_steps=30
cfg_scale=5.0
action_cfg_scale=1.0
seed=2
height/width 默认跟随 variant：SF2 480 × 608，SF3 480 × 832

5. Experimental Results（实验结果）

5.1 主结果表

Figure 5 解读：Figure 5 是动作控制的定性补充。它展示了在 ReactiveGWM_base 下，玩家角色可以稳定执行 Jump、Crouch、Light Punch、Medium Kick、Heavy Punch 等细粒度指令。这个图的作用不是证明 NPC 战略，而是证明加入 autonomous NPC 后，玩家可控性并没有丢。

Table 1 的主结果如下：

Game	Method	Move-Acc	Att-Acc	Gemini	Qwen	SSIM	LPIPS
SF2	Matrix-Game-3.0	-	-	3.0	24.2	0.084	0.755
SF2	LingBot-World-Base	-	-	30.3	46.5	0.142	0.679
SF2	Vanilla	97.5	96.7	43.4	44.4	0.427	0.315
SF2	ReactiveGWM_base	95.0	93.3	75.8	76.8	0.428	0.319
SF2	ReactiveGWM_transfer	97.5	93.3	64.6	64.6	0.421	0.318
SF3	Matrix-Game-3.0	-	-	32.5	32.3	0.117	0.685
SF3	LingBot-World-Base	-	-	33.5	40.9	0.202	0.572
SF3	Vanilla	100.0	100.0	41.8	49.5	0.392	0.397
SF3	ReactiveGWM_base	100.0	100.0	79.8	78.8	0.394	0.391
SF3	ReactiveGWM_transfer	95.0	100.0	63.6	73.7	0.367	0.414

最重要的结论有三条。第一，NPC autonomy 提升非常明显。相对 vanilla，ReactiveGWM_base 在 SF2 上把 Gemini/Qwen 的策略识别准确率从 43.4/44.4 提高到 75.8/76.8；在 SF3 上从 41.8/49.5 提高到 79.8/78.8。这说明 strategy prompt 确实被转化为可见、稳定的 NPC 战术行为。第二，玩家动作控制基本不掉。例如 SF3 上 Vanilla 与 ReactiveGWM_base 的 Move-Acc / Att-Acc 都是 100.0 / 100.0；SF2 上虽然 ReactiveGWM_base 从 97.5/96.7 下降到 95.0/93.3，但仍保持高可控性。也就是说，把 NPC autonomy 加进去，并没有把玩家控制搞乱。第三，transfer 版本具备实用价值。ReactiveGWM_transfer 在不重新标注目标游戏策略数据的情况下，仍能在 SF3 上达到 63.6/73.7 的 Gemini/Qwen 指标，同时保留较好的 Move-Acc / Att-Acc 和视觉质量。这是这篇工作最有“系统味”的一部分，因为它支持“训练一次策略模块，多游戏复用”这个命题。

5.2 定性结果：三种 strategy 和 active behaviors

Figure 6 解读：Figure 6 把 Vanilla、ReactiveGWM_base 和 ReactiveGWM_transfer 放在同一个 strategy 下比较。作者想说明的是，Vanilla 即便收到类似文字指令，也不会稳定表现出 Offense 策略；而带有 strategy grounding 的两个 ReactiveGWM 变体都能让 NPC 主动逼近、进攻或保持特定战术节奏。

Figure 7 解读：Figure 7 检查的是 strategy prompt 里 Active 行为标签的作用。三行分别对应 “Standing Punch + Throw”、“Jumping Attack + Standing Punch”、“Standing Kick + Crouching Kick”。这表明模型不只是学到抽象风格词，而是能把具体动作片段组织成与战略目标一致的 NPC 行为链。

Figure 8 解读：Figure 8 用 SF2 展示三种 strategy 的可感知差异。Offense 会持续压近并贴身输出；Defense 会更保守、重视规避和防守姿态；Control 则用中远距离 projectile 控制空间。这个图的重要性在于，它把定量指标里的“分类准确率”转成了人眼可理解的行为模式。

5.3 Transfer analysis：为什么视觉保持住了

论文第 4.4 节最有解释力的结果不是单纯“transfer 能成功”，而是为什么它成功。

cross-attention 相对能量占比 $ρ_{cross}$ ：ReactiveGWM_transfer = 0.71%，Vanilla = 0.70%
transferred 与 vanilla cross-attention 的 token-averaged cosine similarity：0.55

这说明 transferred cross-attention 既是低带宽通道，又提供了不同方向的行为信号。前者保证主体视觉结构和场景外观主要还是由目标游戏自己的 backbone 决定；后者保证战术控制不会退化成 vanilla 模型原有的被动行为。

这个分析很有启发性，因为它意味着“可迁移的世界模型控制模块”未必需要大规模替换 backbone，只要找到一个语义上可复用、结构上低耦合的注入路径即可。ReactiveGWM 选择的就是 cross-attention。

5.4 Human study

Figure 10 解读：Figure 10 评估的是人类主观感受到的玩家动作一致性。三种模型在 SF2 和 SF3 上都处在 4.32 到 4.60 的区间，且差异基本都在一个 SEM 之内。这和定量 Move-Acc / Att-Acc 结论一致：ReactiveGWM 引入 NPC autonomy 后，玩家动作跟随性仍然可靠。

Figure 10 的具体均值为：

SF2：Vanilla 4.39，ReactiveGWM_base 4.49，ReactiveGWM_transfer 4.56
SF3：Vanilla 4.60，ReactiveGWM_base 4.49，ReactiveGWM_transfer 4.32

Figure 11 解读：Figure 11 评估的是人类是否能从视频里识别出 NPC 正在执行哪一种 strategy。这里 ReactiveGWM 的优势比自动 VLM 评估还要明显，说明其战术控制不是“只被 judge 模型看出来”，而是对人类观察者也足够显著。

Figure 11 的 overall human strategy recognition accuracy 为：

SF2：Vanilla 43.9%，ReactiveGWM_base 86.0%，ReactiveGWM_transfer 84.2%
SF3：Vanilla 17.5%，ReactiveGWM_base 77.2%，ReactiveGWM_transfer 61.4%

per-class breakdown 也很说明问题。Vanilla 在某些策略上几乎崩掉，例如 SF2 上 Offense 只有 10.5%，SF3 上 Defense 和 Offense 也只有 11% 左右；ReactiveGWM_base 在两款游戏上每一类都高于 63%。而 ReactiveGWM_transfer 的主要弱点出现在 SF3 的 Control 类，只有 16%，对比其 Offense 的 100% 很低。作者解释说，Control 更依赖 game-specific 的远程 projectile 动画、时序和空间效果，因此比 offense / defense 更难跨游戏迁移。

5.5 Limitations

作者明确写了两个局限：

评估场景局限于 2D fighting games。这很适合测试细粒度动作控制和战术策略，但还不足以证明 game-agnostic interaction logic 真能推广到更广泛的游戏类型，如 2D FPS 或 multi-agent strategy games。
扩散 backbone 推理延迟高。这意味着当前系统仍然更像 reactive video renderer，而不是可实时交互的游戏引擎。作者建议未来沿 autoregressive video generation 和 model distillation 两条线继续做，以减少 latency 并保持战术与视觉质量。

整体上，这篇论文证明了一个很有价值的观点：如果把玩家动作与 NPC 战略在条件通道上拆开，并把高层策略压到 cross-attention 上，world model 就能从“单边可控的视频生成器”变成“双方都有行为逻辑的交互模拟器”。更重要的是，这个 NPC control module 在一定程度上可以跨游戏迁移，说明模型学到的不只是某个游戏的视觉模式，而是更抽象的交互策略表示。

Paper Notes

探索

ReactiveGWM: Steering NPC in Reactive Game World Models

ReactiveGWM: Steering NPC in Reactive Game World Models

1. Motivation（研究动机）

2. Idea（核心思想）

3. Method（方法）

3.1 从 vanilla player-centric world model 到 reactive world model

3.2 Strategy-aligned data construction

3.3 动作注入：每个 DiT block 前加 additive action bias

3.4 NPC strategy grounding：cross-attention 学语义战术，backbone 维持游戏动力学

3.5 为什么只 transfer cross-attention 也能工作

3.6 论文公式与 released code 实现差异

3.7 Pseudocode

4. Experimental Setup（实验设置）

4.1 Datasets

4.2 Baselines

4.3 Evaluation metrics

4.4 Training config

5. Experimental Results（实验结果）

5.1 主结果表

5.2 定性结果：三种 strategy 和 active behaviors

5.3 Transfer analysis：为什么视觉保持住了

5.4 Human study

5.5 Limitations

目录