可执行世界的「编辑术」：从表层属性到系统机制的干预深度
从「生成世界」到「编辑世界」
过去一年，交互式世界模型（interactive world models）的进展主要集中在两件事上：生成一个可运行的环境，以及在其中行动。但一个更贴近真实需求的环节长期被忽略——如果已经有一个可执行的世界，我们能否像改代码一样，有目的地去编辑它，同时不破坏那些本该保持不变的部分？
arXiv 上最新的一篇预印本论文 《World Editing: Intervening on Executable Worlds at Increasing Depth》 正式把这个问题提了出来。作者把它定义为「world editing」：对既有世界进行干预，并保留应当不变的性质。
核心概念：干预深度
论文的关键贡献之一是引入 intervention depth（干预深度） 这一维度，用来描述一次编辑对世界实体、动力学和系统之间的耦合强度。深度越浅，改动越局部；深度越深，编辑就越牵动整个世界的运行逻辑。
为了把这一能力落到实处，团队选择了一个颇为务实的方向——工业级游戏模组（modding），并构建了 IGMWorld 以及配套基准 IGMBench。
IGMBench 覆盖 Minecraft 与 Terraria 两个平台，包含 110 个任务、超过 1.1K 条可执行状态与行为判据，任务类型横跨属性、实体、动力学与系统四个层级的干预。评估方式也相当严格：
- 确定性可执行性检查
- 行为检查
- 保留性检查（确认不该变的部分没变）
- 视觉检查
前沿编码智能体表现如何
结果既有惊喜也有隐忧。
最强配置在严格的任务级标准下解决了 78.2% 的任务，在判据级标准下更是达到 94.8%。这说明前沿编码智能体已经具备相当可观的世界编辑能力。
但可靠性随干预深度上升而普遍下降，而且这一趋势在判据数量相近的任务之间依然存在——也就是说，难度来自「深度」本身，而非任务复杂度的简单堆叠。
另一个值得注意的发现是：大多数失败的编辑仍然能成功构建并加载。换句话说，问题不在于「改不动」，而在于「改了之后世界不按预期运行」。这恰恰点出了世界编辑的真正难点——让编辑后的世界行为正确，而不仅仅是语法上成立。
视觉一致性则是另一块短板：所有被评估的配置，联合视觉通过率均低于 50%。
为什么这值得关注
这项研究传递了一个明确信号：world editing 是一种独立于 world generation 和 interaction 的能力。会生成世界、会在世界里行动，并不等于会精准地编辑世界。
而可执行游戏，恰好提供了一个既真实又可量化、可复现的试验场。对于正在推进世界模型、智能体与仿真环境的团队来说，IGMBench 这类基准或许会成为下一阶段能力评估的重要参照。