World Action Models（WAM）将预测式世界建模与动作生成相结合，使得对未来状态的预期能够指导智能体行为。虽然 WAM 在具身 AI 中发展迅速，但在通用游戏场景中的研究仍然稀缺。现有的游戏方法通常把动作条件世界模型与外部策略或奖励函数结合，实现类似 WAM 的决策，但它们局限于二维视觉观测，且缺乏持久的三维几何结构。
在自动驾驶和机器人领域，物理环境独立于模型，提供了一个持久的三维世界供动作执行。游戏则没有这样的外部基底，虚拟世界本身必须被实例化。大多数可玩游戏需要一个持久且可导航的空间，三维游戏更要求显式的几何以支撑移动和交互。动作条件视频回放只能提供视觉观测，无法直接得到空间表示。
我们提出 Valerant，一个无需额外训练的框架，将预训练的动作条件世界模型转化为用于探索和构建三维游戏地图的 WAM。核心思路是将预测的视觉回放与基于 SLAM 的空间重建相耦合，并通过探索驱动的动作选择逐步将单张图像扩展为持久的三维游戏地图。该框架实现了从 2D 视觉模拟到 3D 空间构建的跨越，为降低手工制作三维游戏地图的成本提供了新路径。
点评