StatePlay: 게임 메커니즘 일관성 확보를 위한 상태 정보를 활용한 게임 월드 모델

StatePlay: State-Aware Game World Models for Mechanics-Consistent Generation

최근의 게임 월드 모델은 플레이어 액션에 따라 시각적으로 사실적이고 상호작용 가능한 환경을 생성할 수 있습니다. 그러나 게임은 단순히 픽셀로 정의되지 않습니다. 명시적인 메커니즘, 즉 체력 감소, 스킬 활성화 및 게임 종료를 제어하는 상태 의존 규칙으로 구성됩니다. 이러한 메커니즘은 체력 포인트, 스킬 게이지, 타이머와 같은 정확한 내부 상태에 따라 달라지며, 이는 시각적 관찰과 밀접하게 연결되어 게임 플레이의 진행 방식을 결정합니다. 이러한 상태 동역학을 모델링하지 않으면 기존의 게임 월드 모델은 시각적으로 타당한 결과를 생성할 수 있지만, 근본적인 게임 규칙을 위반할 수 있습니다. 본 논문에서는 메커니즘 일관성을 높이기 위해 시각적 콘텐츠와 게임 상태를 동시에 예측하는 새로운 상태 정보를 활용한 게임 월드 모델인 StatePlay를 제안합니다. StatePlay는 전문화된 시각적 및 상태 표현을 유지하면서도, 예측된 상태가 프레임 생성에 영향을 미치도록 하는 교차 모달 상호 작용을 가능하게 하는 Mixture-of-Transformers (MoT) 스타일 아키텍처를 채택합니다. 각 브랜치는 해당 모달리티에 적합한 별도의 목적 함수로 추가적으로 최적화됩니다. 실험 결과, StatePlay는 상태 예측에서 평균 정규화된 L1 거리가 0.06 미만을 달성했습니다. 또한, 명시적인 상태 모델링이 없는 기존 모델과 비교했을 때, 본 방법은 생성된 게임 시퀀스의 메커니즘 정확도를 18.6% 향상시켰습니다. 전반적으로, 본 연구는 상태 정보를 활용한 게임 월드 모델링의 중요성을 강조하며, 단순히 픽셀 수준의 현실감을 넘어 완전하고 메커니즘적으로 충실한 게임 생성을 위한 발전을 제시합니다.

Recent game world models can generate visually realistic and interactive environments conditioned on player actions. However, games are not defined by pixels alone; they are governed by explicit mechanics, namely state-dependent rules that control health reduction, skill activation, and game termination. These mechanics depend on precise internal states, such as health points, skill meters, and timers, which are tightly coupled with visual observations and determine how gameplay evolves. Without modeling these state dynamics, existing game world models may generate visually plausible rollouts but violate the underlying game rules. In this paper, we propose StatePlay, a novel state-aware game world model that jointly predicts visual content and game states to promote mechanics-consistent generation. StatePlay adopts a mixture-of-transformers (MoT)-style architecture that preserves specialized visual and state representations while enabling cross-modal interaction, allowing predicted states to guide frame generation. Each branch is further optimized with a distinct objective suited to its modality. Experiments show that StatePlay achieves an average normalized L1 distance below 0.06 for state prediction. Furthermore, compared with models without explicit state modeling, our method improves mechanics fidelity in generated game rollouts by 18.6%. Overall, our work highlights the importance of state-aware game world modeling and advances beyond pixel-level realism toward complete and mechanically faithful game generation.