Un framework video applica le regole del mondo prima di renderizzare le azioni

Quando un’interazione generata dipende da informazioni che chi guarda non può vedere, come può il video mostrare la conseguenza corretta invece di una risposta soltanto plausibile?

La domanda riguarda le scene governate da regole, in cui la stessa azione visibile dovrebbe produrre esiti diversi a seconda dello stato del mondo.

Stateful Harness determina l’esito di ogni azione applicando regole di gioco fisse, poi usa un modello video con pesi congelati per rappresentare l’evento e informare il turno successivo.

Gli autori hanno testato 50 coppie di casi in cui la stessa immagine iniziale e la stessa azione richiedevano finali diversi a causa di un valore nascosto. Un valutatore multimodale ha controllato i video e una coppia contava solo se entrambi mostravano i finali richiesti.

Con sole istruzioni sulle regole, i migliori sistemi senza framework hanno raggiunto il 32% secondo questa misura.

Per MiniMax-H3, indicare il finale richiesto ha portato il punteggio al 64%, ma solo il 4% delle coppie ha soddisfatto la regola più severa, che esclude anche gli esiti vietati.

Con lo stesso modello a pesi congelati, il framework completo ha raggiunto rispettivamente il 92% e il 90% nelle due misure, sostenendo l’approccio complessivo in questi casi.

Le evidenze provengono da 50 casi progettati con valori nascosti e da tre episodi illustrativi con più turni. Sostengono l’approccio nelle interazioni testate, ma non ne stabiliscono le prestazioni in mondi o con regole arbitrarie, né in episodi più lunghi.