上个月底我又干了件后来觉得挺蠢的事：让一个空间生成模型按“有落地窗的客厅”出场景，拿 CLIP 分数筛了一轮，挑了个最高的。0.87，挺好看。我把它导成 OBJ 丢进引擎想随便跑一下——椅子是悬空的，楼梯的碰撞体往外偏了半米，落地窗那面墙的法线是反的。
先停一下，问个问题：我到底是拿什么在判“生成得好不好”？
当时我答不上来。跟人讲起这事，人家说你不就是拿 CLIP 在判吗，我还理直气壮地回了一句，那只是过滤，不是质量判断。这会儿想起来都脸热——那 0.87 是真的，椅子浮着也是真的，中间没有东西把它们连起来。我拿一个看相似度的东西，给一个需要物理规则的任务当了裁判，还用得挺顺手。
这个场景在我脑子里转了俩礼拜。不是气那个模型——它干的就是它被训练成该干的事——我气自己居然在 2026 年还信这个分数。
后来我读到那篇论文。它没解决我全部的难受，但它把其中一半说得比我清楚：代码智能体从来没这么狼狈过，因为代码有编译器和运行时。类型对不上就报错，跑起来崩就是崩。这个“没得商量”恰恰是奖励信号里最值钱的部分——它能证伪你，果断地告诉你：你错了。
空间生成这一侧，大家一直拿 CLIP 分数当裁判。它告诉你“看起来像不像”，永远不能告诉你“椅子是不是浮着”。相似度是从数据分布里学出来的相关性；而“椅子浮着”是物理规则问题，跟分布没什么关系。这俩压根不在同一层，我们却拿前者给后者当奖励。说难听点，比拿卷尺量体温还别扭。
我后来补了那个检查，几行丑脚本，贴一下是因为它比任何解释都直白：
# 我说的“跑一下”其实就是这个
for obj in scene.objects:
if not has_floor_collision(obj):
print(f"{obj.name} is floating")
跑完输出一行 armchair_02 is floating。那一刻我没有任何需要“感觉”的地方——它就是错的。CLIP 0.87 给不了我这种明确性。
再往下想一层：为什么代码智能体的后训练能快速滚起来，空间生成却一直在拿模糊代理扛着？我一开始也以为答案只是“大家还没找到更好的指标”。后来发现不是。
代码领域是先有运行时、后有智能体的。编译器、解释器、测试框架这些东西在 LLM 出现之前就存在了几十年，它们本来就是验证装置。模型一接入这个装置，对错的信号就自动有了归属。空间生成缺的根本不是更强的生成模型，也不是更高的算力，它缺的就是这个东西——一个能证伪它的地方。没有它，再好的模型也只能在一片“看起来不错”里继续舒服地犯错。
游戏引擎是不是就是它？
论文把游戏开发说成“缺失的奖励环境”。我一开始也以为这又是“换评价指标”的 proposal，后来才发现不是。它不是说让你用引擎算个新指标去替代 CLIP；它是说，引擎让空间生成第一次有了“运行时刻”。场景在引擎里就是一个可执行的世界规格，碰撞、物理、可导航性、有限的可玩性——这些都能被高效检查，而且检查结果是规则性的，不是相关性。你可以指着穿模说“错了”，不用盯着两个向量之间的夹角说“可能不太对”。
再往下剥一层，这个区别对强化学习造成的后果才是真正要紧的。奖励函数最怕不可归因的噪声。CLIP 是连续值，0.82 和 0.79 之间那点差，你没法告诉模型到底哪一步做对了或做错了。而引擎给的是结构化的、指向具体物体的失败：椅子悬空，那椅子的放置策略就得担责。这个可归因性，才是“可验证轨迹数据引擎”里“可验证”三个字的含金量——它允许你沿着轨迹往回追信用。没有这一层，奖励信号的信用账根本记不清。
但想到这，我又得把自己拽一下：引擎能证伪的，只是局部约束。椅子别浮、别穿墙、楼梯能上去——这些是硬条件。可它管不了“这间客厅好不好住、合不合用”。那种全局判断仍然得靠人。论文把这事融进开发流程里，说开发者在决定一个场景接不接受时，就提供了稀疏的全局奖励。我挺喜欢这个安排，因为它把人从显式标注里解放出来——你本来就会在开发过程中决定这场景过不过，这个行为本身就是信号。
不过先别急着叫好。人的“接受”真的那么干净吗？这层我至今没想透。开发者接受一个场景，可能是因为它真的好；也可能是因为他累了、deadline 到了，或者正被另一个 bug 搞得心烦，随手就过了。HEV 里的 H 比 CLIP 强，这点我不怀疑。但它强在哪儿，可能不是“人比模型会判断”，而是噪声来源变了：从“跟任务无关的相似度模型”，换成了“真实工作流里的人”。后者的噪声更稀疏、更贵，而且裹着人的偏好。这是不是一笔好买卖，得看你是不是真愿意为可归因性付这个价。别急着替所有人回答。
到这里我差不多把最想说的说完了。长时程轨迹那块反而没展开——游戏开发给的轨迹确实比代码任务长很多，中间的因果链也更深。但深因果链对 RL 意味着信用分配更难做，这件事本身够再写一篇。今天先不碰，免得又绕进去。
绕回开头。我上个月被一把悬空椅子气着，根子不在生成模型不够好。是我拿“看起来像”当成了“做得对”的证据，而真正能给我证据的东西——碰撞、物理、可导航性——我根本没去要。一个会证伪你的地方，比一个评价分高零点几的地方重要得多。前者逼你出错，后者只会让你舒服地错下去。游戏引擎摆在那儿几十年了，做空间生成的人一直绕开它走。直到有人把它当成奖励环境本身，这事才真的开始有点意思。