近年來，遊戲世界模型通常從主觀的玩家視角模擬環境，將非玩家角色（NPC）僅僅視為背景畫素，從而無法捕捉玩家與NPC之間的互動。這類模型更像是被動的影片渲染器，而非真正的模擬引擎，缺乏建模由動作引發的NPC反應所需的物理理解。針對這一侷限，來自研究團隊的最新成果ReactiveGWM提出了一種反應式遊戲世界模型，能夠合成玩家與NPC之間的動態互動。
ReactiveGWM的核心創新在於顯式解耦玩家控制與NPC行為。具體而言，玩家動作透過輕量級的加性偏置注入擴散骨幹網路，而高階NPC響應（如進攻、控制、防禦）則透過交叉注意力模組進行接地。這些交叉注意力模組學習了一種與遊戲無關的互動邏輯表示，從而實現了零樣本策略遷移：訓練好的模組可以直接插入不同遊戲的現成未標註世界模型中，無需針對特定領域進行重新訓練即可立即解鎖可操控的NPC互動。
研究團隊在兩個《街頭霸王》遊戲上進行了評估。結果表明，ReactiveGWM在保持精細玩家可控性的同時，實現了魯棒的、與提示一致的NPC策略遵循。這為可擴充套件的、富含策略的NPC互動鋪平了道路。研究者還公開了相關程式碼，以供進一步的研究和應用。值得注意的是，這種解耦設計使得NPC的行為能夠根據不同的遊戲環境靈活調整，而不需要為每個新遊戲從頭開始訓練模型。這不僅大幅降低了部署成本，還使得玩家能夠透過自然語言或視覺提示來指導NPC的策略，從而在多種遊戲場景中實現豐富的互動體驗。例如，在格鬥遊戲中，玩家可以指示NPC採取積極的進攻風格，或者轉向防禦性策略，而模型能夠即時響應並生成相應的動作序列。此外，該方法的通用性意味著它可以被擴充套件到其他型別的遊戲，如角色扮演遊戲或即時策略遊戲，為遊戲AI的開發提供了一種新的正規化。