■ 主要発見

『Wizard』は、ゲームオブジェクトをリアルタイムに正確に制御し、ゲームロジックと一貫したプレイ体験を維持できるエージェント型ゲーム世界モデルです。ユーザーはキャラクターの動きやシーン構成を即座に変更でき、ゲームルール（例：ヒットポイントがゼロになると死ぬ）も自動で更新されます。

■ 原理と手法

実装の核は、シーンの形状（深度・高さ）とキャラクターの骨格構造を構造化した視覚プロキシとして扱い、その情報を条件付け信号としたビデオジェネレーターです。さらに、参照画像に対してキャラクター領域のみを注目させる可変マスクを導入し、外観の整合性を保っています。対話型生成は、双方向拡散モデルを自己回帰フローに転換し、2ステップのノイズ除去で24FPSを実現しています。

■ 実験結果

トレーニングデータは、750のシーンと178のキャラクターで構成され、合計50.3時間にわたるビデオと統一プロキシを使用しました。このデータ上で学習したモデルは、多くの場合新しいシーン・キャラクター・動きに対しても追加の学習なしで動画を生成できます。評価では、ユーザー提供の参照画像とプロキシ入力を使い、リアルタイムで戦闘の進行を制御し、ゲームルールを適切に適用しました。