Gamma-World：超越两个玩家的生成多智能体世界建模

交互式视频生成的世界模型主要集中在单代理设置上，其中未来的观察结果是从单个控制信号生成的。然而，许多生成的环境需要多代理交互：多个玩家、机器人或实体代理在共享空间内同时行动。将世界模型扩展到此类设置需要原则性的多智能体设计：智能体应保持独立可控、排列对称，并支持有效推理，同时保持跨时间和视角的一致性。在本文中，我们提出了用于交互式模拟的生成多智能体世界模型。它引入了 Simplex Rotary Agent Encoding，这是 3D RoPE 的无参数扩展，它将代理表示为旋转角空间中规则单纯形的顶点。这为每个代理提供了一个独特的阶段，同时使所有代理排列等效，从而无需学习每个时隙的身份或固定的代理排序即可实现可扩展的代理身份。为了避免跨代理的密集的全对所有注意力，我们进一步提出稀疏集线器注意，其中可学习的集线器词元调解代理之间的词元交互，将跨代理注意力成本从代理数量的二次方降低为线性。对于实时轨迹采样，我们将全上下文扩散教师提炼为因果学生，通过 KV 缓存顺序生成时间块，从而实现 24 FPS 的动作响应生成。多人虚拟环境中的实验表明，我们的模型比基于时隙和密集注意力的基线提高了视频保真度、动作可控性和代理间一致性，同时无需额外训练即可将两个玩家推广到四个玩家。