把执行从生成里拆出来：Matrix-Game 4.0 做成可实时玩的游戏世界

从可控视频跨到真正可玩的世界，论文把缺口写得很清楚：需要持久的世界状态、可执行的游戏规则，以及低延迟交互。Matrix-Game 4.0 是下一代 Matrix-Game 路线图上的第一套系统：用可执行的 game harness，把游戏执行和视觉生成分开。

引擎管规则，视频模型管画面

轻量游戏引擎维护世界状态并执行交互规则；多模态 coding agent 把玩家想法翻译成游戏代码和动态场景 caption；基于自回归视频模型的渲染器，把引擎画出的低多边形代理画面，在动态 caption 与 memory references 条件下转成精细视觉。框架给视觉生成提供持续引导，并支持用自然语言创建、修改场景和玩法。

材料没有展开智能体写代码的成功率、记忆引用的具体机制，也没有画质指标。能确定的只有职责划分：规则在引擎里跑，低多边形代理充当中间表示，视频模型负责外观。

实时来自蒸馏和推理优化

渲染器在对齐的低多边形与高保真视频对上训练，再蒸馏成因果生成器：按四帧一块生成，去噪一步或两步。配合针对性推理优化，系统在单块 NVIDIA RTX5090 上做到 480p、60 FPS 游玩，按键到显示延迟 112ms。单步生成稳态吞吐 83FPS，峰值显存 18.2GiB；固定 prompt 时，RTX5080 达 67FPS，RTX5070Ti 达 58FPS。演示包括可定制射击与驾驶游戏，机制由引擎强制执行。摘要在此截断，未见更长时程或一致性数字。

我的判断

这件事的价值在拆分，不在「又一个能生成游戏画面的模型」。可玩世界要的是状态持久、规则可执行、延迟可接受；把这三件事交给轻量引擎，让视频模型只做低模到高模的外观映射，比端到端生成整个世界更接近能玩。480p 60FPS、112ms 按键延迟、18.2GiB 峰值显存，把实时交互从口号落成单卡可复现的数字。

适用边界同样硬。材料只覆盖射击和驾驶两类、以及固定 prompt 下的吞吐；没有长期世界一致性、物理精度或玩家胡乱输入时的表现。四帧一块、一两步去噪，是用时序粒度和细节换速度。自然语言改玩法依赖 coding agent，成败未报。当作视频大模型接入游戏循环的工程样本有用，当作已经可替代传统游戏引擎则过早。