同一帧同一动作，结局必须不同：把规则从像素里拆出来，世界模型从 32% 走到 92%

导语：做交互式生成的人迟早会碰到这件事：你现在盯着的这一帧，根本没有足够信息决定下一步该发生什么。这篇论文把「规则执行」从像素里拆出来，先结算事件、再让冻结的视频模型渲染。 一分钟速览 只看相机不够：导航控制能探索，但不决定交互后果；后果依赖当前帧看不见的语义状态（Abstract / Sec. 1）。 拆开做：规则先结算出确定事件，冻结的视频模型只负责把事件画成像素，零训练零微调（Sec. 3）