封面为 AI 生成的示意插图（内容由AI生成），非论文原图

给一张图，让 AI 递归地「写」出一座可执行的城市

Recursive Code World Models：佐治亚理工把「怎么造一个复杂世界」变成了递归流程

论文：arXiv:2609.11499（cs.CV）· 2026-09-10 · Georgia Institute of Technology · 21 页 / 11 图

给 AI 一张俯瞰的城市插画，让它「造」出这座城市——不是生成一张新图，而是产出一份可执行、可编辑的 3D 场景代码。

听起来像是把大象塞进冰箱：一次生成整座城，细节必然糊；分块生成再拼起来，接缝和比例又会崩。

9 月 10 日发布在 arXiv、来自佐治亚理工学院的 Recursive Code World Models（RCWM），给出的解法出人意料地「像人干活」：先立整体，哪里没解决就递归下去解决，解决完再回到整体修一遍关系。

论文速览

标题：Recursive Code World Models: Building Complex Worlds through Recursive Scene Programs
作者：Zhiqi Li（通讯）, Yuxuan Liao, Bo Zhu　·　单位：Georgia Institute of Technology
编号：arXiv:2609.11499（cs.CV）· 2026-09-10 · 21 页 / 11 图

一、代码世界模型的真问题不是「表示」，而是「怎么造」

「代码世界模型」的思路已经很成熟：把世界表示成一段可执行程序，程序跑起来就是世界。但这个表示本身并不回答一个工程问题——面对一个复杂场景，你该怎么把它一步步构造出来？

整景一次性生成，细粒度结构（单栋小楼、树丛、岸线）必然丢失；拆开单独生成再拼装，共享误差和空间关系又没人负责。RCWM 的答案是把「怎么造」也形式化：用一个会递归调用自己的构造求解器。

二、三步一个循环：整体—局部—整体

RCWM 把可执行世界写成递归场景程序（RSP）——组合式的场景代码；配套的求解器每次被调用，都执行同一套完整流程：

建立整体：先给出整景的初版程序，确定全局布局与主要关系；
递归重建未解析的部分：把选中的子区域交给自己的求解调用，让它们跑一遍同样的完整流程；
回到整体精修组合：父级回访，处理局部精修之后才浮现的边界问题、空间关系和共享误差。

这个 global–local–global 的递归，让细尺度结构拥有了自己的「感知—编辑」回路，同时又不丢掉整景的几何与关系。

还有两个容易被忽略的细节：参考对齐视图在层级之间传播共享的相机投影，保证每一层看到的是同一套视角约定；判断「该继续精修、该递归下探、还是该返回」的，是一个视觉语言编码智能体——它直接比对参考图与当前渲染图，用视觉判断来驱动构造过程。

图 1　RCWM 的递归构造流程：同一个求解器被反复调用，逐层解决未解析的部分（示意图由 AI 生成，内容由AI生成）

三、实验：11 张参考图，PSNR 与 LPIPS 全胜

评测设置很干净：5 张整景参考 + 5 张局部裁剪，分别来自 CC0 的「Isometric city」素材包示例构图（city-full 与 school-block、police-corner、park-lake、shop-row 四个裁剪）以及 WorldClaw 的演示渲染（island-harbor、medieval-village、snow-village、japan-island、valley-village）。只给图像，不给原始提示词、地形或资产。

所有方法共用同一底座与同一推理强度：由 gpt-6-astra 经 Codex 命令行智能体以高推理强度驱动，RCWM 的每个递归节点各算一次 Codex 会话。对手是 SEIG（作者自行复现）、VIGA、img2threejs。评测指标为 PSNR、SSIM、Edge（Canny 边缘，3 像素容差）、LPIPS（AlexNet 主干）、CLIP ViT-B/32 余弦相似度。

场景 / 方法	PSNR ↑	SSIM ↑	Edge ↑	LPIPS ↓	CLIP ↑
city-full · SEIG	14.5	0.51	0.83	0.339	0.90
city-full · VIGA	9.5	0.48	0.58	0.670	0.83
city-full · img2threejs	15.5	0.55	0.91	0.243	0.93
city-full · RCWM（本文）	18.2	0.66	0.94	0.158	0.95
medieval-village · RCWM	18.7	0.71	0.89	0.200	0.93
japan-island · RCWM	19.3	0.73	0.87	0.201	0.96
school-block（裁剪）· RCWM	16.4	0.56	0.97	0.171	0.94

表 1｜节选自论文 Table 1（RCWM 行与 city-full 的全部对比行）。窄屏可横向滑动。

结果很干脆：在每一张参考图上都拿到最高 PSNR 和最低 LPIPS；SSIM 在 11 张参考中拿下 9 张最高（唯一例外是 valley-village，VIGA 0.41 对 RCWM 0.38）。改进同时覆盖整景与局部裁剪两组——也就是说它不是「只会看大结构」，细尺度也没落下。

消融部分最有意思：作者对比了五种构造流程——单次平铺放大、先局部后整体、先整体后局部（但不回头修组合）、递归但固定二层、递归且自由深度。在 medieval-village 上，自由深度那一次展开到三层、共 33 个节点，说明「让子问题自己继续往下拆」这件事确实被用上了。

概念插图：桌面上的微型村庄模型与拍摄设备 — 图 2　概念示意：从一个视角的参考图出发，重建出可被程序编辑的「微缩世界」（插图由 AI 生成，内容由AI生成）

四、它真正的价值

把构造过程变成可复用的原则。「建立整体 → 递归解决未解析部分 → 回来精修组合」这套流程与具体场景无关，可以套用到其它代码世界模型上。
细尺度有了自己的回路。细节不再依赖一次生成的质量，而是可以反复「看渲染图、改代码」。
世界是可执行的，所以是可编辑的。产物是程序，意味着你能直接改某栋楼的位置、某条街的走向，而不是重新生成一张图。

五、冷静看：作者自己列出的局限

这篇论文难得地把局限写得很直白，值得原文照搬要点：

单视角输入天然歧义。被遮挡的几何与绝对尺度无从确定；
视觉检查会漏错。靠「看渲染图」判断对错，本身不是可靠的验证器；
算力开销大、且不保证收敛：反复精修与组件之间的相互影响都需要可观计算，递归不保证收敛；
评测规模有限：场景数量少、每个场景单次运行、只在单一底座模型上验证、消融仅两个场景。作者也明确提出需要更大基准、重复运行与人工评估空间关系。

另外需要补充一个使用判断（属于本文观点）：整套流程依赖一个强代码智能体底座，因此结论与底座能力高度绑定；换一个更弱的模型，递归层级与质量都会明显变化。

六、一句话总结

复杂世界不是一次画出来的，是「先搭骨架、再递归补细节、最后回来对关系」造出来的。

如果世界模型最终产出的是可执行的代码，你觉得它会先在哪类场景落地——游戏、仿真，还是机器人的训练环境？欢迎在评论区聊聊。

本文基于该论文的 arXiv HTML 版正文（含方法、4.1–4.3、Table 1 与「结论与局限」）整理，未引用论文原图；数值均来自论文，判断部分由本助手给出。文献：Zhiqi Li, Yuxuan Liao, Bo Zhu. Recursive Code World Models: Building Complex Worlds through Recursive Scene Programs. arXiv:2609.11499, 2026.

编辑备注（供发布时选用，不属于正文）

给一张图，让 AI 递归地「写」出一座可执行的城市
PSNR 与 LPIPS 全胜：代码世界模型终于知道该怎么「造」了
先立整体、再递归补细节：一个像人类施工的 3D 重建框架
33 个节点的递归：复杂世界到底该怎么一步步搭出来
世界是可以编辑的：Recursive Code World Models 拆解

内容由AI生成