Agentic Game Development как верифицируемый data-engine траекторий для масштабирования world-моделей

Утверждается, что масштабирование world-моделей на собранном видео вычислительно неэффективно, и предлагается рекурсивный data-engine, в котором разработка игр выступает reward-средой: игровой движок кодирует исполняемую спецификацию мира, способную проверять коллизии, физику, проходимость и ограниченную играбельность, а решения разработчиков «принять/отклонить» дают глобальный сигнал верификации. Вводится Reinforcement Learning with Human-Engine Verification (RLHEV) — комбинация плотных сигналов движка с имплицитной обратной связью от людей, собираемой в ходе разработки.