允中 发自 凹非寺量子位 | 公众号 QbitAI

目今视频天下模子在单智能体设定下已经走得相对成熟。。。。

但多智能体场景——多个玩家共享统一个演化天下，，，，，在架构层面一直缺乏系统性的解决方案。。。。

问题不在于算力不敷，，，，，而在于现有的位置编码和注重力机制，，，，，从设计上就没有为多个主体预留接口。。。。

克日，，，，，NVIDIA联合清华大学、多伦多大学和Vector Institute宣布Gamma-World（γ-World），，，，，从RoPE扩展和注重力拓扑两个底层组件入手，，，，，给出了一套系统性的谜底。。。。

论文问题：Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players

为什么多智能体天下建模是一个难题问题

现有视频天下模子险些都建设在单智能体假设之上：

给定一个玩家的行动序列，，，，，展望该视角下的未来视察。。。。

多智能体设定从基础上改变了这个问题的性子——模子不再只需展望「这个智能体接下来看到什么」，，，，，而是需要同时回覆：

玩家A的移动应当在玩家B的视野中怎样泛起？？？？？两名玩家同时操作统一个物体，，，，，状态应当怎样演化？？？？？

这不是「天生N段自力视频」的问题，，，，，而是「天生N个耦合视角对统一个演化天下的差别投影」。。。。

在手艺层面，，，，，这意味着模子必需同时维护三重一致性：

时间一致性：画面在时序上连贯
；；；
；跨视角一致性：A在B视野中的泛起与A自身轨迹吻合
；；；
；交互一致性：多个智能体对共享情形的操作在所有视角中爆发一致的状态转变。。。。

单智能体框架在设计上只包管了时间一致性，，，，，后两者从未被纳入考量——

这是架构层面的结构性缺失，，，，，无法通过增添数据量或模子规模来填补。。。。

在Gamma-World之前，，，，，这个偏向并非没有人实验。。。。

Solaris已经在双人Minecraft上取得了不错的效果，，，，，但它袒露出的两个结构性问题，，，，，恰恰说明晰为什么将单智能体框架直接「扩展」到多智能体，，，，，是一条走欠亨的路。。。。

其一，，，，，身份编码破损了对称性

Solaris为每个玩家分配牢靠的可学习槽位身份向量，，，，，实质上将「1号槽」和「2号槽」学成了两种差别的角色类型。。。。

在真实的多智能体天下中，，，，，能力相同的玩家实质上可交流，，，，，这种对称性的缺失使模子学到的是「特定角色的交互模式」，，，，，而非「多个一律主体共享天下的纪律」，，，，，泛化性从基础上受限，，，，，且一旦需要支持新的玩家数就必需重新训练。。。。

其二，，，，，全毗连注重力保存扩展性天花板

让所有玩家的token两两直接交互，，，，，盘算本钱随玩家数目平方增添——

从2人扩展到8人，，，，，盘算量从477.8G增至7.6T，，，，，增添约16倍。。。。

这是算法重漂后决议的天花板，，，，，无法通过工程优化解决。。。。

两个问题指向统一个结论：多智能体天下模子需要的不是修补，，，，，而是对两个焦点组件的重新设计。。。。

有关怎样体现智能体身份，，，，，以及怎样设计跨智能体通讯。。。。

焦点设计一：Simplex Rotary Agent Encoding，，，，，让玩家「身份等距、职位一律」

这个设计要解决的焦点矛盾是：

怎样让模子既能区分差别的玩家，，，，，又不让任何玩家在体现上比其他玩家「更特殊」。。。。

视频Transformer用RoPE（旋转位置编码）来表达位置关系——给每个信息片断分配一个旋转角度，，，，，两个片断之间的位置差别通过旋转角度的差来表达。。。。

标准视频RoPE编码三个轴：时间、高度、宽度。。。。

Gamma-World加了第四个轴——玩家轴，，，，，在不改变原有时空编码的条件下，，，，，为智能体身份单独留出一个维度。。。。

轴加起来容易，，，，，难的是这个玩家轴上的编码怎么设计。。。。

直接编号行欠亨。。。。

给玩家顺次号分配角度，，，，，会导致差别玩家对之间的旋转距离不等：1号和2号差1，，，，，1号和3号差2。。。。

「1号与2号的关系」和「1号与3号的关系」在体现空间中并不等距，，，，，只管物理上完全等价。。。。置换对称性被编码方式自己直接破损。。。。

可学习的槽位嵌入也不可。。。。

每个座位绑定一个牢靠的可训练向量，，，，，模子被锁死在训练时的玩家数目上，，，，，无法扩展，，，，，这正是Solaris的焦点局限。。。。

正纯粹形：所有玩家自然等距

Gamma-World的解法很优雅：把所有玩家放在一个正纯粹形（regular simplex）的极点上。。。。

什么意思？？？？？

想象一个正三角形，，，，，所有极点之间的距离完全相等，，，，，没有哪个极点更特殊。。。。

2个玩家 → 线段的两头3个玩家 → 等边三角形的三个极点4个玩家 → 正周围体的四个极点

无论哪两个玩家，，，，，他们在旋转角空间里的距离完全一样。。。。模子看到恣意两个玩家，，，，，他们之间的几何关系是对称的，，，，，谁也不比谁特殊。。。。

这个编码不需要任何可学习的参数

训练时，，，，，活跃玩家被随机分配到极点池里的差别位置，，，，，模子只能靠几何坐标来认人。。。。

推理时想支持更多玩家，，，，，从统一个极点池里多取几个极点就行，，，，，架构不必改，，，，，也不必重新训练

这也是Gamma-World能做到「双人数据训练、四人场景直接跑通」的基础原因。。。。

焦点设计二：Sparse Hub Attention，，，，，从「全毗连」到「枢纽广播」

跨智能体通讯是多智能体天下模子绕不过去的需求，，，，，但以往方案的做法价钱过高——

让所有玩家的所有token两两直接交互，，，，，盘算本钱随玩家数目平方增添：从2人扩展到8人，，，，，盘算量从477.8G涨至7.6T，，，，，增添约16倍。。。。

这是算法重漂后决议的天花板，，，，，无法通过工程优化解决。。。。

问题的泉源在于一个过失的假设：每个token级别的细节都需要在所有玩家之间直接转达。。。。

事实上，，，，，玩家A放下方块，，，，，玩家B需要感知的只是「天下里泛起了一个方块」——这是一个紧凑的天下状态转变，，，，，而非A的所有视觉细节。。。。

但玩家之间真的需要「直接语言」吗？？？？？

全毗连注重力隐含了一个假设：每个token级别的细节都需要在所有玩家之间直接转达。。。。而这个假设在绝大大都场景下是过失的。。。。

Gamma-World引入一组可学习的hub token（枢纽token），，，，，组成轮辐式拓扑：

每个智能体只与自身历史及hub token交互
；；；
；hub token汇聚所有智能体的信息压缩为共享状态摘要，，，，，再广播回各智能体流
；；；
；差别智能体之间的直接注重力被完全屏障，，，，，信息经由两跳转达：智能体→hub→智能体

这一结构将盘算本钱从平方重漂后压至线性重漂后。。。。

△Sparse Hub Attention（蓝线）vs Dense Attention（红线），，，，，随玩家数目增添FLOPs差别靠近8倍

值得强调的是，，，，，希罕枢纽注重力不但是节约了算力，，，，，它自己也是一个更合理的归纳偏置——在架构层面显式编码了「跨智能体信息应经由共享天下状态瓶颈」这一先验，，，，，而非期待模子从数据中隐式学习。。。。

推理时通过自力的KV cache保存希罕通讯拓扑，，，，，最终实现24 FPS实时行动响应推演

要领总览

（注：要领总览，，，，，左侧为同步多智能体输入，，，，，中心为Tokenization，，，，，右侧为Causal Multi-Agent DiT，，，，，下方划分展示Simplex Rotary Agent Encoding和Sparse Hub Attention的示意图）

整体架构输入同步的多智能体视察和行动序列，，，，，用共享的视觉编码器和行动编码器对每个玩家流划分tokenize，，，，，再通过带希罕枢纽注重力的因果多智能体DiT天生未来多路rollout。。。。

推理时使用KV cache实现流式天生，，，，，每个玩家流和枢纽各维护自力缓存。。。。

焦点设计三：三阶段蒸馏，，，，，从「看得全」到「跑得快」

天生质量和推理实时性在扩散模子里自然是一对矛盾：双向模子质量最高但无法流式推理，，，，，因果模子支持实时天生但质量下降。。。。

Gamma-World用三阶段训练在两者之间架桥。。。。

第一阶段：逊Й向西席。。。。

西席模子可会见完整序列（包括未来。。。。，，，，，提供最高质量的生身漫衍，，，，，仅用于训练阶段，，，，，不加入推理。。。。

第二阶段：训练因果学生。。。。

学生模子只能看到目今及已往的帧，，，，，连系希罕枢纽注重力适配流式推理。。。。

要害在于将学生完整训练为多步扩散模子，，，，，而非仅作为蒸馏热身——蒸馏之前学生已能爆发合理的推演效果，，，，，为下一阶段提供稳固起点。。。。

第三阶段：条件Self-Forcing蒸馏。。。。

以因果学生为起点、双向西席为目的，，，，，通过漫衍匹配蒸馏（DMD）将多步采样压缩为4步采样

蒸馏在自回归self-rollout下举行，，，，，训练漫衍与推理漫衍对齐，，，，，有用缓解误差累积。。。。

全程保存初始帧与逐智能体行动序列作为条件信号，，，，，确保压缩后的模子行动可控性不退化，，，，，最终实现24 FPS流式推演

实验效果

1、周全逾越现有最强

在多人Minecraft情形的五类场景中，，，，，比照帧拼接方案和现在最强的多智能体天下模子Solaris，，，，，Gamma-World在影象、空间定位、移动、制作、跨视角一致性五个场景周全领先，，，，，要害指标FVD（视频天生质量的评估指标）平均降幅凌驾40%。。。。

2、消融：每一步设计都有现实效果

消融效果说明从「学习槽位身份」换成「纯粹形编码」，，，，，FVD从256.3降至228.5，，，，，没有增添任何参数，，，，，仅通过改变编码方式就带来了整个消融中最大的单步增益

这个效果的意义不但是「纯粹形编码更好」，，，，，而是证实晰一件更基础的事：

在架构中显式编码置换对称性约束，，，，，比让模子从数据中隐式学习这种结构，，，，，在样本效率和最终性能上都有显著优势

对称性是一个先验知识，，，，，把先验知识编进架构比让模子自己去发明，，，，，原来就更有用率——消融实验用数字验证了这一点。。。。

3、双人训练，，，，，四人直接跑通

△零样本四人泛化，，，，，模子仅用双人数据训练，，，，，推理时直接天生四路同步视角

模子仅在双人数据上训练，，，，，推理时从极点池中启用两个新极点，，，，，直接天生四路同步视角，，，，，无需修改任何架构参数，，，，，四路画面维持共享天下状态的一致性。。。。

这个效果直接验证了纯粹形编码的焦点设计目的：泛化到恣意玩家数，，，，，不需要见过谁人玩家数的训练数据。。。。

无论是Solaris、Enigma Labs的Multiverse照旧Odyssey的Agora-1，，，，，这些事情都证实晰多智能体天下模子可以做，，，，，但同时都缺乏这样的拓展泛化能力。。。。

4、两种典范使命的定性展示

△两智能体交互示例——两路视角坚持同步，，，，，Agent 1的行为在Agent 2的视角中被准确反映

在「放置与挖掘」使命中，，，，，两路视角实时同步，，，，，一方的操作在另一方画面中获得准确反映。。。。

在「制作塔楼」使命中，，，，，双方协同搭建的方块在各自视角里位置一致，，，，，共享天下状态完整维护。。。。

当玩家暂时移出对方视野时，，，，，模子仍能维持准确的空间定位——这说明模子追踪的是共享的潜在天下状态，，，，，而非自力天生各路视频后拼在一起。。。。

5、从游戏到真实机械人

△从游戏agent到真实双臂机械人协同，，，，，模子天生坚持协同运动的未来帧

研究团队将Gamma-World应用于RealOmin-Open数据集的真实双臂机械人协同使命，，，，，以左右两条机械臂划分作为自力智能体。。。。

天生的未来帧坚持了双臂的协同运动与空间结构，，，，，统一套框架从Minecraft多人场景直接迁徙至真实物理操作，，，，，无需特殊适配。。。。

这一效果验证了多智能体天下模子框架自己的通用性，，，，，而非针对特定场景的专项方案。。。。

这也让人忍不住往更远处想：现实天下中险些所有有价值的场景，，，，，实质上都是多个主体在共享情形中协作或博弈——手术室里的多臂协同、工厂产线上的多机械人调理、自动驾驶中的多车交互。。。。

若是一套统一的多智能体天下模子框架能够笼罩这些场景，，，，，它所代表的就不但是仿真能力的提升，，，，，而是为整个Physical AI领域提供了一个全新的数据生产和战略训练基础设施。。。。

Gamma-World的三项焦点设计，，，，，纯粹形旋转智能体编码、希罕枢纽注重力、条件师生蒸馏，，，，，划分对应多智能体天下建模中三个恒久悬而未决的问题：

身份的对称体现、交互的高效建模、质量与实时性的同时兼顾。。。。

每一项都不是修补，，，，，而是在确认原有路径走欠亨之后，，，，，从更底层的建模原则重新给出的谜底。。。。

三项设计背后有一个配合的要领论：将对问题结构的明确直接编码进架构，，，，，而非期待模子从数据中自行发明。。。。

一个真正明确多智能体天下的模子，，，，，应当在结构上就是对称的，，，，，而不是见过足够多的数据之后，，，，，恰巧学出了近似对称的行为。。。。

前者是明确，，，，，后者只是拟合。。。。

Gamma-World零样本泛化到四人场景的效果，，，，，正是对这一判断最直接的实验验证。。。。

这一要领论也指向一个更大的可能性：当多智能体天下模子的天生质量足以忠实还原真实物理纪律，，，，，训练数据的收罗方式自己就会爆发根天性转变——

从依赖真实场景的物理收罗，，，，，转向由神经网络驱动的大规模模拟天生

受限于人力、空间和时间的数据瓶颈，，，，，将有可能被无限可扩展的神经仿真所替换。。。。

从方块天下到机械臂，，，，，Gamma-World迈出的是验证性的第一步。。。。

真正的天下模子，，，，，学会的不应只是「画面」，，，，，而是「规则」。。。。

论文：Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players机构：NVIDIA/清华大学/多伦多大学/Vector Institute项目主页：https://research.nvidia.com/labs/sil/projects/gamma-world/GitHub：https://github.com/nv-tlabs/Gamma-WorldHuggingface: https://huggingface.co/papers/2605.28816