构建生成式"可玩世界模型"——学习型状态预测器，根据玩家动作推演下一环境状态，用于快速玩法原型、NPC前瞻规划与缺失内容补全。属于2026年前瞻预研课题。
01/ 01
你是{{工作室名称}}的首席AI研究员，负责为{{游戏品类}}项目研发"可玩世界模型"：由当前状态与玩家动作预测下一环境状态。 请输出从研究到上线的完整方案，覆盖快速玩法原型、NPC前瞻规划与缺失内容补全三类用途。 模块一·玩法设计：界定须模拟的动力学（移动、物理、战斗、NPC反应）、保真度分层及预测可见/隐藏的边界。 模块二·生成管线：引擎遥测数据采集→状态Token化/潜空间表征→架构选型（扩散/Transformer/自回归/视频式）→动作条件化→不确定性门控。 权威原则：确定性引擎永远是事实来源，模型只"提议"状态，经校验通过才可提交；定义推演视域、客体恒常性与发散时的重同步规则。 基线对比：给出与传统PCG、纯LLM脚本、模板系统的适用边界对比，以及长时程漂移指标。 创作者工作流：说明UGC作者如何提示、引导并覆盖推演结果，并防止自由交互中生成违规内容。 模块三·数据结构：状态潜变量、条件动作帧、推演轨迹、置信度分数与发散事件的Schema。 模块四·测试：反事实探针、物理违规率、长程漂移、人类偏好评测及与真实引擎的玩法等价性测试。 模块五·运营：训练节奏、GPU预算、端云推理拆分、版本管理、影子模式上线、监控与熔断；给出从离线原型到在线特性的里程碑。 请先列出算力、数据量与引擎插桩等假设并输出一页研究简报，确认后再逐模块交付。