GitHub 项目 tinyworldformer 将两个小型神经网络放进 Raspberry Pi Pico 2 W：一个根据当前画面和动作生成下一帧及奖励，另一个根据生成的画面选择动作。据项目作者介绍，这套系统让世界模型与玩家网络在微控制器上共同运行，游戏过程由模型持续生成，探索了小内存设备运行世界模型的可能性。
据项目文档，世界模型采用 int8 量化的循环 Transformer，参数量为 2.6 万至 13.1 万；玩家网络则是具有两层隐藏层的 float32 MLP，参数量为 9000 至 1.6 万。世界模型重复使用同一个 Transformer 模块及其权重，Pico 上采用 2 次循环。
在芯片上，两个网络都不调用真实游戏：玩家只看模型生成的画面，世界模型接收玩家选择的动作。两者运行于 RP2350 的核心 1，核心 0 负责 USB 和显示。用户也可以通过按键接管，亲自游玩模型生成的「梦境」。
项目包含 Breakout、Doom-lite、Flappy Bird、Pong 和 Pac-Man lite。其中，Doom-lite 是基于 8 × 8 迷宫、采用光线投射的第一人称游戏。
据发布方自测，在 2 次循环下，Flappy Bird 的「完全正确帧」比例为 100%，Breakout 为 99.99%，Pong 为 99.45%，Pac-Man lite 为 86.4%，Doom-lite 为 83.6%。
这一指标统计留出数据中，预测画面的每个格子都与真实游戏一致的比例，排除了随机事件紧接着发生后的帧。作者说明，Doom-lite 即使只有一个墙面着色像素出错，也会被计为整帧错误。
据作者介绍，训练先由智能体游玩真实游戏，每款游戏记录 100 万至 300 万步，再让世界模型学习预测下一帧。文档给出的常规训练流程为 3 万步，前 3000 至 4000 步使用浮点，随后启用 int8 量化感知训练；Pac-Man 配置则为 4 万步，包含 4000 步浮点预热。
仅靠记录数据上的准确率还不够。作者报告，只在「梦境」中训练的智能体曾在其中拿到 210 分，而真实游戏最高只有 56 分；同一智能体进入真实游戏后仅得 28 分。作者随后用该智能体重新采集真实游戏记录，并微调世界模型，每轮修正它发现的漏洞。
据项目提供的固件统计，Breakout 占用 361 KB 闪存、299 KB RAM，最大的 Pac-Man 占用 600 KB 闪存、460 KB RAM；Pico 2 W 配备 4 MB 闪存和 520 KB SRAM。
性能数据需要区分运行平台：作者称，同一 Rust 代码在桌面 CPU 上生成一帧耗时为 0.7 ms（Flappy Bird）至 1.5 ms（Breakout），但尚未实测 Pico 本身的帧率。
