WorldFoundry

WorldFoundry 是面向世界智能的开源基础设施。世界智能不能被压成单一的生成任务：系统需要从观察中推断结构化状态，预测状态如何演化，用任务相关的输出表达后果，并在交互中使用这些预测。视频生成、神经场景表征、4D 模型与具身策略各自覆盖其中一部分。

模型发现、runtime 与资产准备、推理、artifact 检查和 benchmark 证据走同一条工作流，覆盖这些家族——同时不被强迫接受同一种表征、任务或指标。

第一次运行

快速开始 的环境已经 source 之后，为 matrix-game-2 生成一份可检查的 artifact：

bash scripts/inference/prepare_model_infer.sh matrix-game-2 --download
worldfoundry-eval run matrix-game-2-universal-action-validation \
  --pipeline.task-profile official-universal-image

这次运行只支撑一个结论：这套配置产出了可检查的 artifact，并不等于某个 benchmark 已经跑完。日常命令用 worldfoundry-eval run。各层与清单见设计。

操作定义

视觉逼真度衡量的是观察质量，并不足以证明世界建模。一段照片级视频仍可能丢掉物体身份、违反动力学，或对干预没有因果响应。

因此，我们把生成式世界模型定义为一个学习得到的、由历史与控制条件化的潜在动力学系统。它推断并维护持久的环境状态，在内生动力学与外部干预下演化该状态，并吸收新的观察，使后续预测对刚刚发生的事情负责。

定义能落地，是因为三件事必须耦合：

1. 状态推断 — 从交互历史中估计任务相关的潜在状态。
2. 前向仿真 — 在自主动力学、物理约束与动作下预测该状态如何演化。
3. 交互响应 — 在不同干预下产生可区分且连贯的未来，再把观察到的结果写回所维护的状态。

一个与模态无关的紧凑形式是

其中 $h_t$ 是观察–控制历史，$c_t$ 是动作或干预（包括空控制），$z_t$ 是推断出的环境状态，$\hat{o}_{t+1}$ 是视觉、几何或任务相关输出。这是功能抽象，不是架构断言：$z_t$ 可以是循环的、物体中心的、几何的、token 化的，或其他结构化形式。

能力分层

WorldFoundry 并不给每个模型贴一个互斥等级，而是记录能力剖面：系统实际支持哪些功能，以及这些功能是否耦合。

感知锚定提供观察层证据。真正构成世界模型的是主轴上的耦合：持久状态、受干预条件化的动力学，以及由反馈驱动的更新。可控变换可以出现在任一阶段旁边——改沙发颜色或删掉书架，本身并不能证明系统能把场景向前推演，或闭合交互环。

基础生成模型与生成式世界模型

这是功能分类，不是视觉质量排名。

基础生成模型学习视觉、几何或时空先验，用于合成、重建与可控编辑。它们可以在外观、短时连贯或选择性编辑上很强，但没有把状态、动力学与反馈集成成完整的世界建模环。

生成式世界模型集成了这个环。干预效果会在后续转移中保持，新的观察会修正此后预测所依赖的状态。更高保真度、更宽的 prompt 或更大的规模，本身并不会把系统从第一类提升到第二类。

正因为如此，WorldFoundry 把 catalog 收录、可运行推理、可检查 artifact 与可进入 benchmark 的证据分开记录。一次好看的 demo 仍然可能只是感知锚定。当前覆盖范围和 readiness 以模型目录与评测中心为准。被 catalog 收录，不等于 runtime 能跑；demo 效果好，不等于已有 benchmark 证据；分数导入成功，也不等于官方 leaderboard 水平。这些状态分开记录，并保留 provenance。

为什么需要共享工作流

WorldFoundry 的价值出现在跨模型、跨 benchmark、跨界面的工作流里。技术报告把这一点表述为可通约而不均质化：异构系统应能在共享的运行与证据契约下被检查，而不被强迫接受同一种表征、任务或指标。

因此才需要这条共享工作流：

• 统一的运行语义。 稳定的 model ID 与 benchmark ID，加上 request、result、artifact、manifest 与 scorecard，替代仓库昵称和手写路径。可以查证模型只是被收录还是真的执行过、用了哪个 checkpoint 与 runtime、sample 是否覆盖，以及分数是归一化、官方计算，还是已经过 leaderboard 校验。
• 集成只做一次。 环境准备、checkpoint 查找、输入输出整理、job 记录、预览与 metric 汇总保持共享。模型差异留在 pipeline 与 operator，benchmark 差异留在 runner 与 metric。
• 产物可复用。 生成结果不绑定于一次 UI 会话。同一批 artifact 可以检查、重新打分、转换、对照或审计，而不必再加载模型。
• 记录比命令更完整。 checkpoint、依赖、dataset 或 evaluator 一变，同一条命令就可能不可比。ledger、身份、blocker 与 scorecard 同时说明实际跑了什么，以及该结果被允许主张什么。
• 多入口，同一后端。 TUI、CLI、Studio、Python 与 MCP 共用 catalog 与契约。界面可以换，run 身份与持久输出保持一致。

这适合需要长期维护或比较多个世界模型家族、将生成与评测解耦、复用昂贵 artifact，或为人与 agent 提供稳定机器可读发现的团队。模型、benchmark、机器与 reviewer 越多，这些契约越划算。

致谢