SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models

Paper: arXiv:2605.23345 Code: z2tong/SCOPE Code reference: main @ d2ecdf66 (2026-05-25)

1. Motivation（研究动机）

FPS game world model 的难点不只是“给视频模型加动作条件”，而是要在每一帧同时处理高频、重叠、空间作用范围不同的控制信号。论文指出，FPS 玩家会在一个很短的生成窗口里同时做高速视角扫动、移动、开火、ADS、换弹、跳跃等操作；其中相机/移动会改变整个场景的 ego-motion，而开火、换弹、瞄准等离散事件通常只影响武器、准星和交互物体附近的一小块区域。已有 interactive world model 常把 action embedding 全局广播到所有空间 token，这在 Minecraft / open-world navigation 这类低频控制中还能工作，但在 FPS 中会把“本该局部发生的开火”扩散到整帧，或把连续视角变化压成低运动输出。

本文要解决的具体问题是：如何让 video diffusion world model 在 FPS 场景中同时具备 动作响应性、局部 scope 分离、跨游戏泛化。作者把局部受离散动作影响的区域称为 scope，例如枪口火光、瞄准镜、换弹动作和近距离交互对象；scope 之外的墙面、天空、远处环境应该主要由连续相机/移动信号驱动并保持稳定。如果模型不能区分 in-scope / out-of-scope，它要么为了稳定性压制所有动作，要么为了响应动作牺牲背景一致性。

这个问题值得做，因为 FPS 是动作密度最高、空间选择性最强的 game world model stress test。一旦模型能在 FPS 中完成“连续控制驱动全局运动 + 离散事件只改变局部”的分解，它更接近可交互模拟器，而不是只能按文本提示外推的 video generator。SCOPE 还引入 CrossFPS：69,000 个 5 秒 clips、7 个 FPS titles、每帧对齐的 10-DoF controller telemetry，让模型学习跨游戏共享的 action-to-visual dynamics，而不是记住单个游戏的视觉模式。

Figure 1 解读：teaser 展示了 SCOPE 在 unseen scenes 中执行复合控制和 action-environment interaction 的能力。重点不是单一动作是否出现，而是同一段视频里可以同时保持背景稳定、武器局部变化和连续视角/移动响应；这正是论文所谓 scope separation 的直观目标。

2. Idea（核心思想）

核心 insight：FPS action 的视觉效果天然是空间选择性的，因此 action conditioning 不应作为一个全局向量注入整帧，而应让每个空间位置根据自己的 local visual content 决定“这个动作是否应该影响我”。SCOPE 把 DiT hidden states reshape 成 per-pixel temporal sequences，然后为连续 joystick 控制和离散 button 事件设计两条 action pathway：连续控制走 MLP fusion + temporal self-attention，离散事件走 visual-query cross-attention。

与 OASIS / GameGen-X / HY-World / Matrix-Game 这类 global conditioning 思路相比，SCOPE 的关键差异是 同一个 action 在不同像素上有不同响应：武器区域可以强烈 attend 到 fire / ADS / reload，远处墙面则几乎不受这些 button 影响；连续相机/移动则通过时间窗口建模 out-of-scope ego-motion。这样，模型不需要显式 segmentation mask，也能从数据中学出 in-scope / out-of-scope 的隐式分离。

第二个创新是数据层面的 CrossFPS。以往 game world model 多训练在单个 title 上，action 与视觉风格高度耦合；CrossFPS 把 Halo、Call of Duty、Xonotic 等 7 个 FPS title 的 clips 统一成 10-DoF telemetry，并通过 action balancing、visual-action de-biasing、kinetic normalization 降低 gameplay bias 和引擎差异，使模型学习“右摇杆右转会产生相应 optical flow、RT 会产生开火局部效果”这类跨游戏规律。

3. Method（方法）

3.1 Overall framework：在每个 DiT block 中插入 SCOPE module

输入是首帧 $I_1$ 和动作序列 ${\mathbf{a}}_{1:T}$，输出是 video continuation $V_{2:T}$。底座模型是 Wan2.2-TI2V-5B，一个 5B 参数 video diffusion transformer；SCOPE 在 30 个 DiT transformer blocks 中都插入 action module，位置在 text cross-attention 之后、FFN 之前。整体训练仍是 flow matching / velocity prediction objective： $\mathcal{L}={\mathbb{E}}_{t,{\mathbf{z}}_0,\mathbf{ϵ}}\left[w(t){\Vert {\mathbf{v}}_{\theta }({\mathbf{z}}_t,t,\mathbf{c})-(\mathbf{ϵ}-{\mathbf{z}}_0)\Vert }^2\right].$ 这里 ${\mathbf{z}}_0$ 是 VAE latent，${\mathbf{z}}_t$ 是加噪 latent，${\mathbf{v}}_{\theta }$ 预测 flow/velocity，$\mathbf{c}$ 包含文本、首帧和动作条件。SCOPE 不改变 diffusion objective，而是改变 action 条件如何进入 DiT block。

Figure 9 解读：左侧是 10-DoF controller signal，连续 joystick 与离散 buttons 被分开编码；中间把 hidden tokens 从 $B\times (fhw)\times D$ 变成 $(Bhw)\times f\times D$，即每个空间位置拥有自己的 temporal sequence；右侧两条 pathway 分别处理 continuous / discrete action residual，最后 residual 相加再送入 FFN。这个结构让局部视觉内容参与 action routing，而不是让 action 先验全局广播。

3.2 Action representation：10-DoF telemetry

CrossFPS 每帧记录 10 维 controller telemetry，论文把它分成两类：

Group	Input	Type	Meaning
Movement	LX, LY	continuous	左右 / 前后移动
Camera	RX, RY	continuous	左右转向 / 上下看
Combat	RT, LT, R3	discrete	开火、ADS、近战
Utility	A, X, Y	discrete	跳跃、换弹、切枪

在 released code 中，这对应 inference.py 的 BUTTON_COLS = [right_trigger, left_trigger, south, right_thumb, west, north] 与 j_left + j_right 四维 joystick；ACTION_CONFIG 设置 mouse_dim_in=4、keyboard_dim_in=6、dim=3072、num_heads=24、vae_time_compression_ratio=4、windows_size=4。

3.3 Spatial reshape：把空间位置变成独立时间序列

SCOPE 的第一步是把 token sequence reshape 成 per-pixel temporal sequence： $\mathbf{x}\in {\mathbb{R}}^{B\times (f\cdot h\cdot w)\times D}⟶\hat{\mathbf{x}}\in {\mathbb{R}}^{(B\cdot h\cdot w)\times f\times D}.$ 这一步是方法的关键直觉：同样的开火信号在枪口区域应产生 muzzle flash，在天空/墙壁区域应接近无影响；同样的右摇杆转向在整帧都产生 scene flow，但局部武器动画不应污染背景。把每个 spatial position 当作独立 temporal sequence 后，模型可以按像素位置学习“该位置是否处在 scope 内”，而不需要人工 mask。

released code 中 diffsynth/models/scope_dit.py::ActionModule.forward 使用 rearrange(x, "b (f s) c -> (b s) f c", f=f, s=S) 实现这一步，处理完 action residual 后再 rearrange(hidden_states, "(b s) f c -> b (f s) c", b=B) 还原为 DiT token layout。

3.4 Continuous pathway：joystick window + temporal self-attention

连续控制 ${\mathbf{a}}_c\in {\mathbb{R}}^{T_{\mathrm{raw}}\times d_c}$ 包含两个移动轴和两个相机轴。由于 VAE temporal compression ratio 是 $r=4$，每个 latent frame $i$ 对应一个 raw-frame action window： ${\mathbf{w}}_i={\mathbf{a}}_c[i\cdot r:i\cdot r+r\cdot s],$ 其中 $s$ 是 window size。SCOPE 把该 window flatten 后与每个 per-pixel hidden feature 拼接，再走 fusion MLP 和 temporal self-attention： $\tilde{\mathbf{x}}={\mathrm{MLP}}_{\mathrm{fuse}}([\hat{\mathbf{x}};\mathrm{flatten}(\mathbf{w})]),\Delta {\mathbf{x}}_c=\mathrm{SelfAttn}(\tilde{\mathbf{x}},{\mathrm{RoPE}}_t).$ 直觉上，continuous pathway 主要负责 out-of-scope ego-motion：相机旋转、视差、前后移动会让整帧背景以平滑方式变化。论文强调这条路径与离散路径分开，是为了避免局部枪械动画污染背景稳定性。

3.5 Discrete pathway：visual-query cross-attention 约束局部事件

离散控制 ${\mathbf{a}}_d\in {\mathbb{R}}^{T_{\mathrm{raw}}\times d_d}$ 覆盖 fire / ADS / reload / jump / melee / switch。论文用视觉 token 作为 query、离散 action embedding 作为 key/value： $\Delta {\mathbf{x}}_d=\mathrm{CrossAttn}\left(Q=\hat{\mathbf{x}},K=V={\mathrm{MLP}}_{\mathrm{embed}}({\mathbf{a}}_d)\right).$ 这样，局部视觉内容决定该位置是否应该响应离散事件。枪口和手部区域更容易 attend 到 fire / reload；远处背景即使看到同样的 button sequence，也可以输出接近零的 residual。两条 residual 最后相加： ${\mathbf{x}}^{\prime }=\mathrm{Reshape}(\hat{\mathbf{x}}+\Delta {\mathbf{x}}_c+\Delta {\mathbf{x}}_d).$ released code 中 continuous pathway 命名为 mouse_action，discrete pathway 命名为 keyboard_action。ActionModule 的 mouse_attn.o 和 keyboard_o_proj 都做 zero initialization，因此插入模块在训练初期近似不扰动预训练视频模型。

3.6 Training / inference：end-to-end + Action-CFG

论文训练 backbone 和 30 个 SCOPE modules，所有 SCOPE output projection 零初始化，训练时以概率 $p_{\mathrm{drop}}$ 把动作条件替换为 learnable null embedding，用于 inference-time Action-CFG： $\hat{\mathbf{v}}={\mathbf{v}}_{\theta }({\mathbf{z}}_t,{\mathbf{a}}_{\mathrm{null}})+\lambda \left[{\mathbf{v}}_{\theta }({\mathbf{z}}_t,{\mathbf{a}}_c,{\mathbf{a}}_d)-{\mathbf{v}}_{\theta }({\mathbf{z}}_t,{\mathbf{a}}_{\mathrm{null}})\right].$ $\lambda =1$ 表示普通 action conditioning，$\lambda >1$ 放大动作响应，$\lambda <1$ 减弱响应。

论文公式与 released code 实现差异：论文写的是“动作条件的 null-action CFG”，但当前 GitHub main@d2ecdf66 的 scope_pipeline.py 中 CFG 是常规 prompt positive/negative CFG：noise_pred = noise_pred_nega + cfg_scale * (noise_pred_posi - noise_pred_nega)；mouse_action 和 keyboard_action 被放在 inputs_shared 中，因此 positive/negative pass 共享同一组动作。inference.py 也没有暴露 action guidance scale $\lambda$ 或 null-action 输入。也就是说，released inference code 实现了 action-conditioned generation，但没有直接暴露论文公式中的 Action-CFG 控制。

3.7 CrossFPS 数据构造

Figure 2a 解读：dataset samples 展示 CrossFPS 覆盖多个 FPS titles 与不同 HUD / weapon / scene style。作者的目标不是让模型复刻某个游戏，而是让同一套 10-DoF action semantics 在不同 visual domains 中保持一致。

Figure 2b 解读：统计图覆盖 linear velocity、angular velocity、peak angular acceleration、de-biasing 后的 action entropy、strafe-to-forward ratio 和 post-normalization kinetic consistency。关键数字是 entropy 从 1.85 提升到 $2.94\pm 0.31$ bits，post-normalization gain variance 降到 0.034，input 与 optical flow 的相关性达到 $r=0.91\pm 0.03$。

CrossFPS 来自 NitroGen 与 WorldCam，总计 69,000 个 5 秒 clips，20 fps、$480\times 832$，划分为 train/val/test = 65,557 / 2,065 / 1,378。处理 pipeline 包括：裁掉直播 overlay / UI 边界、按 scene transition 切分、统一到 20 fps、切成 non-overlapping 5 秒窗口、裁掉 chat 等游戏特定 UI 并 resize 到 $480\times 832$。为了减少人类 gameplay bias，作者还做了三步：

• Action Distribution Balancing：过滤 idle clips，要求 left-stick active $\ge 70\%$；按 action entropy 与 peak camera velocity 找出 top 15% high-intensity clips 并 $3\times$ oversample，避免模型只学低运动轨迹。
• Visual-Action De-biasing：保留“低效/反直觉”动作，例如对天空开火、撞墙奔跑，降低 scene-action mutual information，迫使模型学习物理 action-to-visual mapping，而不是玩家策略。
• Kinetic Normalization：用 optical-flow gain calibration 对齐不同游戏引擎的 action-to-pixel displacement；论文举例同样 stick displacement 在 Halo 可是 $10^{\circ }$ rotation、在 Call of Duty 可是 $30^{\circ }$，未校准会导致 joint training 梯度冲突。

Figure 3 解读：Halo Infinite 示例中首帧既作为 image-to-video condition，也用于 caption generation；action sequence 包含 forward movement、rightward camera sweep 和 ADS activation，说明数据样本同时绑定视觉首帧、文本 caption 与逐帧 action telemetry。

Figure 4 解读：Call of Duty: Warzone 示例强调 simultaneous fire / reload 与 camera rotation 的组合，这类高频混合动作正是 global conditioning 容易失败的场景。

Figure 5 解读：Xonotic 示例补充了非 Halo / CoD 系列的视觉域，帮助 CrossFPS 覆盖不同引擎、HUD 和场景风格，降低模型只记住单一 franchise 的风险。

3.8 Source-code-grounded pseudocode

以下伪代码按 released code main@d2ecdf66 抽象，而不是只复述论文算法。

import torch
import numpy as np
import pandas as pd
 
BUTTON_COLS = ["right_trigger", "left_trigger", "south", "right_thumb", "west", "north"]
 
def load_scope_actions(parquet_path: str, num_frames: int, device="cuda"):
    df = pd.read_parquet(parquet_path)
    if len(df) < num_frames:
        pad = pd.concat([df.iloc[[-1]]] * (num_frames - len(df)), ignore_index=True)
        df = pd.concat([df, pad], ignore_index=True)
 
    buttons = df[BUTTON_COLS].values[:num_frames].astype(np.float32)      # [T, 6]
    j_left = np.array(df["j_left"].tolist())[:num_frames].astype(np.float32)
    j_right = np.array(df["j_right"].tolist())[:num_frames].astype(np.float32)
    joystick = np.concatenate([j_left, j_right], axis=-1)                 # [T, 4]
 
    keyboard = torch.tensor(buttons).unsqueeze(0).to(device, torch.bfloat16)
    mouse = torch.tensor(joystick).unsqueeze(0).to(device, torch.bfloat16)
    return keyboard, mouse

import torch
from einops import rearrange
 
class ScopeActionModule(torch.nn.Module):
    def forward(self, x, f, h, w, freqs_mouse, mouse_action=None, keyboard_action=None):
        B, L, C = x.shape
        S = h * w
        hidden = rearrange(x, "b (f s) c -> (b s) f c", f=f, s=S)
 
        if mouse_action is not None:
            pad_t = self.vae_time_compression_ratio * self.windows_size
            padded = torch.cat([mouse_action[:, :1].expand(-1, pad_t, -1), mouse_action], dim=1)
            windows = []
            for i in range(f):
                start = i * self.vae_time_compression_ratio
                windows.append(padded[:, start:start + pad_t])
            windows = torch.stack(windows, dim=1)                         # [B, f, pad_t, 4]
            windows = windows.unsqueeze(-1).expand(-1, -1, -1, -1, S)
            windows = rearrange(windows, "b f p c s -> (b s) f (p c)")
            continuous = self.mouse_mlp(torch.cat([hidden, windows], dim=-1))
            hidden = hidden + self.mouse_attn(continuous, freqs_mouse)     # zero-init output proj
 
        if keyboard_action is not None:
            key_emb = self.keyboard_embed(keyboard_action)                # [B, T, hidden/window]
            key_windows = build_temporal_windows(key_emb, f, self.vae_time_compression_ratio)
            q = self.key_attn_q_norm(self.keyboard_q_proj(hidden))
            k, v = self.keyboard_kv_proj(key_windows).chunk(2, dim=-1)
            discrete = flash_attention(q, self.key_attn_k_norm(k), v, self.num_heads)
            hidden = hidden + self.keyboard_o_proj(discrete)              # zero-init output proj
 
        return rearrange(hidden, "(b s) f c -> b (f s) c", b=B)

def scope_denoise_step(pipe, models, inputs_shared, inputs_posi, inputs_nega, timestep, cfg_scale=5.0):
    # Current released code: actions are in inputs_shared, so both pos/neg prompt branches see the same actions.
    noise_pos = pipe.model_fn(**models, **inputs_shared, **inputs_posi, timestep=timestep)
    if cfg_scale == 1.0:
        return noise_pos
    noise_neg = pipe.model_fn(**models, **inputs_shared, **inputs_nega, timestep=timestep)
    return noise_neg + cfg_scale * (noise_pos - noise_neg)

Code reference: main @ d2ecdf66 (2026-05-25) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
10-DoF action loading	inference.py	BUTTON_COLS, ACTION_CONFIG, load_actions()
image + action inference entry	inference.py	generate_video(), parse_args()
per-block SCOPE conditioning	diffsynth/models/scope_dit.py	ActionModule.forward()
DiT block insertion point	diffsynth/models/scope_dit.py	DiTBlock.forward() calls self.action_attn(...) after text cross-attention and before FFN
Wan2.2 DiT config with action enabled	diffsynth/models/scope_dit.py, inference.py	WanModel, DIT_CONFIG
denoising loop and CFG	diffsynth/pipelines/scope_pipeline.py	WanVideoPipeline.__call__(), model_fn_wan_video()
generic training utility, not SCOPE launch	diffsynth/diffusion/runner.py	train() uses AdamW, but repo does not include a SCOPE-specific training launch/config

4. Experimental Setup（实验设置）

4.1 Dataset

CrossFPS 含 69,000 个 clips，每个 clip 是 5 秒、20 fps、$480\times 832$，每帧有 10-DoF controller telemetry。按 95:3:2 split：train 65,557、val 2,065、test 1,378。

Game	Total	Train	Val	Test
Halo Infinite	32,466	30,844	973	649
Xonotic	10,460	9,938	313	209
Call of Duty: Modern Warfare	8,853	8,411	265	177
Halo	8,227	7,817	246	164
Call of Duty: Warzone	4,818	4,578	144	96
Call of Duty: Modern Warfare III	3,662	3,480	109	73
Call of Duty	514	489	15	10
Total	69,000	65,557	2,065	1,378

4.2 Baselines

论文比较三类支持 action-conditioned generation 的 interactive world models：Matrix-Game 3.0、LingBot-World (Act)、HY-World 1.5。由于这些 baseline 的原生 action interface 与 CrossFPS 的 10-DoF telemetry 不一致，作者用 Gemini 把 action sequences 翻译成各 baseline 需要的 detailed natural-language prompts。为避免把改进误归因于 input modality，论文还用 w/o Spatial Selectivity ablation：同样使用 native telemetry，但把 per-pixel conditioning 换成 global injection。

4.3 Metrics

Axis	Metric	Meaning
Action Responsiveness	Dynamic Degree	衡量整体运动强度与视频 activity
Action Responsiveness	Flow Score	衡量帧间 optical flow displacement
Spatial Stability	Photometric Smoothness	用 backward warping 评估像素颜色一致性，越低越好
Spatial Stability	Depth Accuracy	用 depth reprojection 评估 3D geometry consistency，越低越好
Visual Quality	JEPA Similarity	用 V-JEPA feature cosine similarity 衡量语义/物理结构保真度
Visual Quality	FVD	生成视频分布与真实视频分布的 Fréchet distance，越低越好
Visual Quality	LPIPS	单帧 perceptual distortion，越低越好
Visual Quality	Motion Smoothness	用 flow acceleration 惩罚突变运动，越高越平滑

4.4 Training config

论文正文 Setup 写 backbone 与 30 个 SCOPE modules end-to-end training，分辨率 $480\times 832$，81 frames/clip，20 fps，Adam，learning rate $1\times 10^{-5}$，action dropout $p_{\mathrm{drop}}=0.1$，balanced game sampling，约 18 小时、8 NVIDIA GPUs。Appendix Implementation Details 进一步写：Wan2.2-TI2V-5B 有 30 transformer layers、hidden dimension 3072、24 heads、patch size $[1,2,2]$、FFN dimension 14336；text encoder 是 UMT5-XXL 4096-d embeddings；VAE 8× spatial compression、4× temporal compression；训练使用 AdamW、LR $10^{-5}$、bfloat16、gradient checkpointing、batch size 1/GPU、8 NVIDIA GPUs、500 epochs、Accelerate DDP。

released GitHub repo 当前没有 SCOPE-specific training launch script 或 experiment config；diffsynth/diffusion/runner.py 是 generic training runner，inference.py 只提供 inference-time DIT_CONFIG。因此上面 training config 是论文/Appendix 报告值，而非从公开代码 launch config 验证出的值；公开代码可验证的是 inference config：height=480、width=832、max_frames=81、num_inference_steps=30、ACTION_CONFIG 的 4D joystick + 6D buttons、VAE temporal compression ratio 4、window size 4。

5. Experimental Results（实验结果）

5.1 Main CrossFPS results

Method	JEPA ↑	FVD ↓	LPIPS ↓	Dyn.Deg. ↑	Flow ↑	Smooth ↑	Photo. ↓	Depth ↓
Matrix-Game 3.0	0.366	1022.7	0.692	0.661	13.36	2.502	1.194	1.524
LingBot-World (Act)	0.615	954.4	0.627	0.868	15.50	2.215	0.626	1.454
HY-World 1.5	0.464	1131.7	0.611	0.225	2.37	1.690	2.523	1.502
SCOPE	0.806	690.3	0.601	0.910	18.24	2.383	0.198	1.299

SCOPE 在 8 个指标中的 7 个最好；唯一不是第一的是 Motion Smoothness，Matrix-Game 3.0 更高，但论文解释这是因为 baseline 抑制动作响应会自然得到更平滑的视频。更关键的 controllability 指标中，SCOPE 的 Dynamic Degree = 0.910、Flow = 18.24，明显高于 LingBot-World 的 0.868 / 15.50、Matrix-Game 的 0.661 / 13.36 和 HY-World 的 0.225 / 2.37。空间稳定性上，SCOPE 的 Photometric Smoothness = 0.198，是 LingBot-World 0.626 的约 $3.2\times$ 改善，也是 HY-World 2.523 的约 $12.7\times$ 改善。

Figure 6 解读：qualitative comparison 对同一高频 action 序列进行比较。SCOPE 能产生 smooth viewpoint changes 并保持 out-of-scope stability；baselines 则表现为 motion suppression、near-static output 或 artifacts。这个图对应主表里的现象：只追求 smoothness 很容易，但在 FPS 中更重要的是动作真的发生且不会污染整帧。

5.2 Architecture ablation

Variant	JEPA ↑	FVD ↓	LPIPS ↓	Dyn.Deg. ↑	Flow ↑	Smooth ↑	Photo. ↓	Depth ↓
SCOPE	0.806	690.3	0.601	0.910	18.24	2.383	0.198	1.299
w/o Spatial Selectivity	0.625	885.4	0.648	0.521	14.10	2.012	0.745	1.620
w/o Temporal Self-Attn	0.683	784.4	0.627	0.642	11.60	1.799	0.482	1.521
w/o Discrete Cross-Attn	0.763	725.3	0.606	0.846	17.14	2.442	0.234	1.334
w/o Action-CFG	0.740	725.8	0.610	0.820	15.90	2.405	0.280	1.350
Frozen backbone	0.724	775.4	0.631	0.796	15.57	2.335	0.264	1.392
Two-stage (FT→freeze)	0.761	732.1	0.614	0.852	17.13	2.374	0.226	1.337

最重要的 ablation 是 spatial selectivity：去掉后 FVD 从 690.3 变 885.4，Photometric Smoothness 从 0.198 变 0.745，Dynamic Degree 从 0.910 掉到 0.521。这证明 native telemetry 本身不是关键，关键是 per-pixel action routing。去掉 temporal self-attention 后 Flow 从 18.24 掉到 11.60，说明连续 joystick 控制需要专门的时间建模。去掉 discrete cross-attention 时指标下降较小但 Photo. 仍从 0.198 变 0.234，符合“局部离散事件更容易泄漏到背景”的解释。训练策略上，Frozen backbone (FVD 775.4) < Two-stage (732.1) < End-to-end (690.3)，说明只训练 adapter 不够，backbone co-adaptation 对动作响应有帮助。

Figure 7 解读：左侧展示没有 spatial selectivity 时动作会扰动整帧；完整 SCOPE 则把影响限制在 scope 区域。右侧展示不同 pathway 缺失造成的失效：缺 continuous/temporal pathway 会损害运动，缺 discrete/cross-attention pathway 会丢失或泄漏 in-scope 元素。这个 qualitative ablation 与表格中的 Photo./Flow 变化一致。

5.3 Data scale / diversity ablation

Scale	Titles	Series	Source Composition	FVD ↓	LPIPS ↓	Flow ↑
1K	1	1	Halo Infinite	478.20	0.545	17.64
5K	2	1	Halo Infinite + Halo MCC	603.91	0.592	16.67
10K	3	2	Halo ×2 + CoD:MW	1017.82	0.745	11.69
30K	6	3	Halo ×2 + CoD ×3 + Xonotic	799.70	0.666	16.84
65K	7	3	Full CrossFPS	690.30	0.601	18.24

这个表不能简单解读为“更多数据一定单调改善所有数值”：1K Halo-only 的 FVD/LPIPS 看起来很好，是因为视觉域窄、测试更容易；当加入更多 series 后任务变难，10K 出现退化。但 full CrossFPS 在 7 titles / 3 series 下恢复到 FVD 690.30、Flow 18.24，说明多样性最终提升跨游戏 action mapping，并且论文认为尚未饱和。

Training strategy 表也支持 single-stage full-resolution：65K full 上 progressive 是 FVD 756.28 / LPIPS 0.652 / Flow 17.12，single-stage 是 690.30 / 0.601 / 18.24。

5.4 Zero-shot generalization

作者用 GPT-image-2 合成 unseen first-person frames，覆盖 stylized open-world、cooperative adventure、mythological action、sci-fi corridor。视觉质量结果如下：

Scene Style	JEPA ↑	LPIPS ↓	Flow ↑	Photo. ↓	Smooth ↑
Stylized open-world	0.772	0.618	17.45	0.235	2.341
Cooperative adventure	0.758	0.632	16.89	0.251	2.298
Mythological action	0.781	0.612	17.82	0.224	2.356
Sci-fi corridor	0.795	0.605	18.01	0.212	2.370
Average (unseen)	0.777	0.617	17.54	0.231	2.341
In-distribution (ref.)	0.806	0.601	18.24	0.198	2.383

unseen average 相比 in-distribution 有小幅下降：JEPA 0.777 vs 0.806，Photo. 0.231 vs 0.198；但四类 unseen style 的 Photo. 都 $\le 0.251$，说明 scope separation 能迁移到训练外的 aesthetic domain。

Action controllability 使用 50 videos/task，并由 Gemini pre-evaluation + human verification 评估 completion rate：

Method	Fire	Scope	Scope+Fire	Move+Fire	Switch+Fire	Object	Environment	NPC	Avg.
Matrix-Game 3.0	0%	0%	0%	4%	0%	0%	0%	0%	0.5%
HY-World 1.5	4%	12%	2%	36%	2%	0%	6%	2%	8.0%
LingBot-World (Act)	82%	74%	42%	18%	26%	12%	32%	20%	38.3%
SCOPE	94%	90%	82%	76%	68%	46%	62%	54%	71.5%

Figure 8 解读：action controllability 图展示 single action、multi-action composition 和 action-environment interaction。SCOPE 对 Fire / Scope 这类基础离散动作达到 94% / 90%，对 Scope+Fire、Move+Fire、Switch+Fire 这类复合动作仍有 82% / 76% / 68%，说明它不只是生成“像 FPS 的视频”，而是在 unseen visual domain 上保持 action semantics。

5.5 Limitations

作者明确承认，SCOPE 当前泛化主要覆盖 cross-scene visual transfer 和 basic action interactions；更复杂的 in-scope behaviors，例如 multi-step weapon mechanics、item usage、fine-grained object manipulation 仍然困难，原因是训练数据交互多样性有限。模型对 fire / smoke / lighting 这类 appearance-level responses 更好，对 structural deformation、physics-driven reactions 这类 geometry transformation 更弱，反映了 diffusion backbone 的 texture bias。极端模糊或退化的 initial frame 也会导致模型回归到平均训练外观。

总体结论：SCOPE 的贡献不是单纯提升 FVD，而是证明“per-pixel action conditioning + CrossFPS multi-game data”可以同时改善动作响应、局部稳定和 zero-shot transfer。主表、ablation 和 unseen controllability 都指向同一结论：FPS world model 需要把连续控制和离散局部事件分开建模，global action injection 是核心瓶颈。