能写游戏 Mod 就能改物理世界！IGMWorld 发布首个可执行世界编辑基准：我的世界/泰拉瑞亚 1.1K 准则压测智能体

核心背景与行业痛点

近年来以 Sora、Genie、Oasis 为代表的交互式世界模型发展迅猛，展现出了通过神经网络模拟 3D 物理环境的惊人能力。然而，在工业仿真、游戏开发以及数字孪生工程中，最迫切的真实诉求往往不是“从零重新随机生成一个不可控的全新世界”，而是“在现有庞大、可运行的世界中精确修改一条规则或一个实体”（World Editing），例如：调整重力常量、赋予某类生物特定的攻击逻辑、或者重写整个经济交易系统。这种世界编辑要求智能体在深入修改复杂源码的同时，必须严格维持其他成千上万条未受影响的系统规则与物理属性。现有的代码评测（如 SWE-bench）仅聚焦于局部单元测试，完全缺乏对大型可执行仿真环境全局因果链的系统评测。

架构亮点与底层机制

针对这一连接代码生成与虚拟世界干预的空白领域，研究团队打造了专用的工业级 Modding 评测基石 IGMWorld 与基准 IGMBench（arXiv:2610.02331）：

1. 干预深度分类学（Intervention Depth Taxonomy）：论文首次将世界编辑的形式化操作划分为四个递进深度层级：属性干预（Property，如调整数值）、实体干预（Entity，如增添新道具/生物）、动力学干预（Dynamics，如修改碰撞与移动物理规则）、以及系统级干预（System，如重构游戏阶段进程与全局事件流）；
2. 基于真实沙盒游戏的确定性执行校验：基准选取了全球最具代表性的两款开放世界游戏——《我的世界》（Minecraft，基于 Java Modding 生态）与《泰拉瑞亚》（Terraria，基于 C#/.NET 生态），构建了 110 个端到端编辑任务与超过 1,100 条严苛的可执行判据；
3. 四维多模态自动化裁判管线：系统集成了编译执行性校验（Deterministic Executability）、运行时行为测试（Behavioral Checks）、未编辑属性守恒检验（Preservation Checks）以及基于图像渲染的多模态视觉一致性验证（Visual Checks），确保编辑既达成目标、又不破坏世界原生常理。

权威 Benchmark 与实测跑分对比

在前沿代码智能体（涵盖 Claude 3.5 Sonnet、GPT-4o 等配置）的全面压测中，基准揭示了智能体在物理世界编辑上的能力边界：

1. 强悍的任务解决率与判据得分：最顶级配置的代码智能体在 IGMBench 严格任务级标准下斩获了 78.2% 的高成功率，细粒度判据级通过率更是高达 94.8%，展现出老练的游戏 Mod 架构理解与代码编写本领；
2. 随干预深度递增的可靠性断崖：数据显示，在属性与实体层级，智能体胜率接近 90%；但当涉及系统级全局动力学耦合时，成功率急剧下跌；
3. “编译通过却逻辑脱节”的静默失败：分析表明，绝大多数失败的编辑都能成功编译并顺利加载进游戏，但进入世界后实体并未表现出要求的交互行为；此外，多模态视觉一致性通过率普遍低于 50%，暴露出模型对贴图渲染与动画材质管线的理解依然薄弱。

开发者实战落地与开箱指南

IGMWorld 的评测套件、自动化测试环境以及配套的数据集已在项目主页（https://vinesmsuic.github.io/IGMWorld/）全面开放。对于从事游戏工业化研发（AI 辅助关卡设计与自动化 Mod 生成）、机器人强化学习仿真环境搭建、以及元宇宙资产维护的技术团队，IGMWorld 提供了极具实战价值的参考架构。开发者在利用 Coding Agent 改造大型复杂工程时，切忌仅依赖单次静态单元测试，必须引入类似 IGMBench 的“守恒性探针（Preservation Checks）”与实时运行状态断言，才能防止局部改动引发蝴蝶效应式的系统级崩溃。