Gamma-World：突破两人上限的多智能体世界模型
英伟达的多人交互视频世界模型，蒸馏后以 24 FPS 实时推理，从两人到四人无需重新训练，FVD 较 Solaris 几乎砍半。
快速答案
Gamma-World 是英伟达联合清华、多伦多大学提出的生成式多智能体视频世界模型，能在同一共享环境里模拟多名可独立操控的玩家，并突破以往只能两人的上限。在论文的一致性测试集上，它达到 FVD 280.0 / FID 46.9，而 Solaris 为 443.1 / 94.8；在移动测试集上为 FVD 191.5 / FID 21.2，对比 Solaris 的 311.1 / 36.3——FVD 大致砍半，蒸馏后的学生模型以 24 FPS 实时推理。最核心的结论是：只用两人数据训练，推理时能直接泛化到四人，无需任何额外训练。
它打破的”两人天花板”
大多数交互式视频”世界模型”都是单智能体的：一个玩家按键，一个相机渲染下一帧。此前的多人尝试 Solaris 用一个对所有 agent token 做稠密联合注意力的模块，再加上每位玩家的可学习 ID 嵌入，在 Minecraft 里支持两人。这套设计有两个结构性缺陷正是本文要解决的。其一，稠密的全连接注意力随 agent 数量平方增长，量级约为 P^2，两人尚可，四人实时推理就吃不消。其二，可学习的”槽位 ID”嵌入把玩家名单写死：两个本应等价的玩家只因占用不同槽位就被区别对待，且不重新训练就无法加入第三人。
更本质的观察是：共享世界里的 agent 是可交换的——交换两个完全相同的玩家，物理规律不该改变。Gamma-World 把置换对称性当作架构应当强制满足的性质，而不是让模型从数据里慢慢学。
Simplex 旋转 Agent 编码怎么做
Gamma-World 不给每个 agent 一个标量索引或可学习身份向量，而是把它们放在旋转角空间中一个正单纯形（simplex）的各个顶点上——这是对视频 Transformer 已用的 3D RoPE 的一种无参数扩展。单纯形让任意两顶点的距离都相等，于是每个 agent 拿到一个独立的旋转相位，而所有配对仍保持置换等价。因为没有任何按槽位学习的参数，同一套编码可以为两人、四人甚至更多 agent 直接实例化，而不必改动 Transformer 权重。训练时作者从 4 个顶点里随机抽 2 个并打乱槽位分配，抑制对特定槽位的过拟合——这正是两人模型能在推理时跑四人的原因。
稀疏 Hub 注意力怎么做
为了让 agent 之间互相影响又不付稠密注意力的平方代价，Gamma-World 把跨 agent 信息路由到一小组可学习的”Hub”token 上。在每个因果块内，agent token 既关注自身流，也关注 Hub；Hub 把各 agent 的状态聚合后再广播回去。这种以 Hub 为中介的拓扑保留了共享通信通路，却把主导性的跨 agent 代价从平方降到了线性。部署时，作者把一个双向扩散教师模型蒸馏成带 KV 缓存的块因果学生模型，配合 4 步去噪调度，最终实现 24 FPS 的流式推理。
关键结果
- 一致性测试集： Gamma-World 为 FVD 280.0 / FID 46.9，Solaris 为 443.1 / 94.8，帧拼接基线为 576.0 / 123.2（FVD、FID 均越低越好）。
- 移动测试集： FVD 191.5 / FID 21.2，对比 Solaris 311.1 / 36.3——这是各协议中 FID 相对差距最大的一项。
- 全部五个协议（记忆、落地、移动、建造、一致性）中，Gamma-World 拿下 Table 1 报告的每一个 FVD 与 FID 列。
- 实时性： 蒸馏后的学生模型以 24 FPS 流式推理，使用 KV 缓存和每视角 24 帧的滚动注意力窗口。
- 可扩展性： 用两人训练的模型直接泛化到四人，无需额外训练，得益于置换对称的 simplex 编码。
- 蒸馏代价： 蒸馏版 FVD 239.7 / FID 30.9，双向教师为 227.3 / 31.0，实时化几乎不损质量。
为什么现在重要
交互式视频世界模型是当下游戏生成与具身仿真的前沿，而几乎所有方案都止步于单 agent。Gamma-World 首次把多智能体这件事做得既有原理又便宜：置换对称交给几何，跨 agent 交互交给线性代价的 Hub。最值得记住的是”两人训练、四人运行”这一结论——它说明这套设计不只是更快，而是真正能跨 agent 数量泛化，而这恰是多人模拟器最需要的性质。
局限与存疑
评测范围偏窄。定量结果都在用 SolarisEngine 派生数据管线构建的 Minecraft 式多人环境上，对比对象基本只有一个前作 Solaris 外加一个偏弱的帧拼接基线，数字里没有更广的基准套件，也没有人评。“四人”是实际测过的最大规模；线性代价的论证暗示还能更大，但论文没有给出比如八人的定量表格。FVD 落在 180–280 区间，相对基线不错，但离真正照片级视频仍很远；全部训练跑在 32 块英伟达 GB200 上，并非小实验室能复现的规模。论文展示的真实世界机器人场景只是定性的，Simplex 编码加稀疏 Hub 注意力能否迁移到带连续控制的物理具身 agent 尚未验证。
常见问题
Gamma-World 是什么？
Gamma-World 是英伟达联合学术机构提出的生成式多智能体视频世界模型，能在同一共享环境里模拟多名可独立操控的玩家，突破以往只能两人的上限，并以 24 FPS 流式推理。
Gamma-World 凭什么超过 Solaris？
在论文各协议中，Gamma-World 拿下 Table 1 的每一个 FVD 与 FID 列——例如一致性集上 FVD 280.0 对 443.1——靠的是用线性代价的稀疏 Hub 注意力和无参数的 Simplex 旋转编码，替换 Solaris 的平方级稠密联合注意力与可学习玩家 ID。
Gamma-World 加人需要重新训练吗？
不需要。由于 Simplex 旋转 Agent 编码是无参数且置换对称的，用两人训练的模型推理时能直接泛化到四人，无需额外训练，这是论文的核心结论之一。
Gamma-World 怎么做到实时？
它把双向扩散教师模型蒸馏成块因果学生模型，用 KV 缓存按时间块顺序生成，配合 4 步去噪调度，实现对动作有响应的 24 FPS 流式生成。
一句话：用单纯形几何强制 agent 可交换，用线性代价的 Hub 路由交互，两人视频世界模型就能实时跑四人。阅读 arXiv 原文。