WARC

WARC

面向 ARC-AGI-3 游戏的 35M 参数世界模型，根据最近三帧和一个动作预测下一帧游戏画面，并在智能体玩游戏时持续自我训练。

由 third-intelligence 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：WARC 是面向 ARC-AGI-3 的世界模型，是一个 35M 参数、会考虑动作的视觉 transformer。给它最近三帧游戏画面和下一个动作，它会逐个格子预测下一帧。

它在玩的过程中也在学习。每看到新的一步，它就在最近的步骤上短暂训练，并调整所有权重。它的预训练用的是人们玩其他游戏的录像。作者报告说，对一个没见过的游戏，它能把五分之四的机制预测对，在这些机制改变的格子上准确率不低于 80%。

适合谁：研究 ARC-AGI-3 类游戏、想要一个能预测动作会带来什么的模型的 AI 研究人员和智能体开发者。它是研究产物，不是通用工具。

行业 | 谁在用 | 怎么用 | 例子
研究 | ARC-AGI 研究人员 | 研究世界模型的测试时训练 | 检查在预训练中没见过的游戏上的准确率
游戏 AI | 智能体开发者 | 在智能体循环里预测下一帧 | 在点击之前预览它会改变什么
教育 | 强化学习的学生 | 学习学出来的世界模型是怎么工作的 | 用一个检查点运行下一帧示例

想找文本、图像或聊天模型的人可以略过它，因为 WARC 只预测游戏画面。

用在哪里：

• 装有 PyTorch 的 Python 3.12，放在虚拟环境里
• 带 CUDA GPU 的机器，因为模型卡的示例运行在 cuda 设备上
• 项目的 GitHub 仓库，里面有代码、智能体和一个 Kaggle 笔记本
• 装有 Python 的 Windows、macOS 或 Linux，用来下载权重

使用场景 | 谁用 | 得到什么
预测下一帧 | 研究人员 | 下一帧 64 乘 64 个格子里每个格子的颜色
玩的时候适应新游戏 | 智能体开发者 | 随着游戏进行不断改进的预测
比较检查点 | 研究人员 | 四个训练好的检查点的验证准确率

如何设置：先从项目的 GitHub 仓库获取代码，再安装并下载权重。

• Python 3.12 和 git
• 一块 CUDA GPU
• 为 CUDA 12.6 构建的 torch 2.7.0 和 torchvision 0.22.0，模型卡固定了这两个版本
• GitHub 仓库 third-intelligence/WARC 里的代码

1. 克隆 GitHub 仓库并进入它的文件夹。
2. 创建虚拟环境并激活它。
3. 安装 torch 和 torchvision，再安装 requirements 文件。
4. 把四个检查点下载到 models 文件夹。

cd WARC
python3.12 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
hf download third-intelligence/WARC --local-dir models    # the four checkpoints (pip install huggingface_hub)

如果你只想要权重，Hugging Face 给了这两条命令。

pip install -U huggingface_hub
hf download third-intelligence/WARC

如何使用：你加载一个检查点，传入最近三帧，也就是 16 种颜色的 64 乘 64 网格，再加上动作。动作 1 到 5 对应按键 ACTION1 到 ACTION5，6 是在某一列某一行上的点击。输出是每个格子里 16 种颜色各自的分数。

import sys
import torch

sys.path[:0] = ["agent", "agent/VARC"]
from warc_model.model import build_from_checkpoint

device = torch.device("cuda")
model, meta = build_from_checkpoint("models/all25/checkpoint_best.pt", device=device)

# The last three frames, (1, 3, 64, 64) colours 0-15. Actions: 1-5 are the keys ACTION1-ACTION5,
# 6 is a click at column x and row y; x and y are -1 for a key.
frames = torch.randint(0, 16, (1, 3, 64, 64), device=device)     # replace with frames of a game
action, x, y = (torch.tensor(v, device=device) for v in ([6], [10], [20]))
hist_action, hist_x, hist_y = (torch.tensor(v, device=device) for v in ([[1, 2]], [[-1, -1]], [[-1, -1]]))

with torch.no_grad():
    logits = model(frames[:, -1], torch.zeros(1, dtype=torch.long, device=device), action, x, y,
                   hist_obs=frames, hist_action_ids=hist_action, hist_action_xs=hist_x,
                   hist_action_ys=hist_y)["ffp_logits"]          # (1, 16, 64, 64)
next_frame = logits.argmax(1)[0]                                 # (64, 64) predicted colours

至于游戏中的实时训练循环、智能体和训练命令，模型卡让你去看项目的 README 和复现说明。

仓库里有四个检查点。其中 fold1 到 fold3 三个，每个都在 16 或 17 个游戏上预训练，其余的游戏留出来做测试。第四个 all25 在全部 25 个游戏上预训练，每个游戏留一段录像用于验证。

示例：你加载 all25 检查点，给它一个游戏的三帧画面，再加上在第 10 列第 20 行的一次点击。它返回每个格子里每种颜色的分数，每个格子取最高分就是预测的下一帧。

新手与专家：可以把 WARC 看作一个猜测你按键或点击之后游戏画面会变成什么样的模型。第一次尝试可以对一个检查点运行上面的短脚本，用随机画面做占位。

从底层看，它用 2x2 的图像块和 10 个宽度 512 的 transformer 块，通过自适应层归一化把动作作为条件。游戏进行时，每次新的观察都会触发 20 步梯度更新，作用在三十个转移上，其中十个是最新的。代价是每一步都更新所有权重，要花算力。

给出最近三帧和一个动作
transformer 给每个格子的颜色打分
取最高分作为下一帧
在新的一步上短暂训练

注意事项：模型卡列出了每个检查点的验证整帧准确率，数据来自训练时留出的游戏或录像。

Title: 验证整帧准确率
fold1: 85.7 %
fold2: 79.2 %
fold3: 78.5 %
all25: 80.0 %

• 训练数据：340 段人们玩 25 个公开 ARC-AGI-3 游戏的录像，由 ARC Prize Foundation 发布
• 规模：每个检查点 146 MB，里面有权重、配置和游戏划分
• License: 权重和代码是 CC0 1.0，第三方部分保留各自的许可证
• Cost to run: 没有提到 API 密钥或付费服务，但你需要一块 CUDA GPU
• Data it reaches: 你传入的游戏画面，以及你下载的代码和权重
• Not for: 通用的文本或图像任务，因为它只预测 ARC-AGI-3 类游戏的画面

Hugging Face 上的数据（2026年11月13日）

• 最近 30 天下载：0
• 点赞：2
• 许可证：cc0-1.0
• 标签：world-model, arc-agi-3, test-time-training, next-frame-prediction, vision-transformer, pytorch

链接

• 模型：https://huggingface.co/third-intelligence/WARC
• 文件：https://huggingface.co/third-intelligence/WARC/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download third-intelligence/WARC

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。