英伟达携手清华发布 Gamma-World，突破多智能体虚拟仿真上限

视频世界模型正在经历一场从单人视角走向多人协作的底层升级。过去的视频世界模型大多基于单智能体设定，在面对多个玩家同时在同一虚拟世界中操作、彼此观察的复杂环境时，往往难以胜任。为了解决这一架构难题，英伟达联合清华大学、多伦多大学以及 Vector Institute，正式推出了名为 Gamma-World（γ-World）的全新多智能体世界模型方案。

多智能体世界建模最大的挑战，在于要同时保证时间、跨视角和交互三方面的一致性。此前的研究例如 Solaris，虽然在双人协作方面取得了一定成果，但也暴露出两项关键问题：身份编码会破坏置换对称性，全连接注意力机制又会让计算量随着人数增加呈平方级上升，因此很难真正扩展到更多智能体场景。

针对这些结构上的不足，Gamma-World 从底层模块开始进行了全面重构。首先，团队提出了“正单纯形旋转智能体编码（Simplex Rotary Agent Encoding）”。这一方法把所有玩家映射到几何空间中的正单纯形顶点上，让每位玩家之间天然保持等距，地位也完全对等。由于这种设计不依赖可学习参数，并且通过随机分配坐标，模型无需调整原有架构，就能实现“用双人数据训练，直接适配四人场景”的强泛化能力。

另外，为了突破算力和吞吐上的限制，Gamma-World 还加入了“稀疏枢纽注意力机制（Sparse Hub Attention）”。这套设计不再采用传统的两两直接通信方式，而是通过一组可学习的枢纽 Token 充当共享世界状态的压缩中转节点，从而把计算成本降低到线性复杂度。在独立缓存技术的配合下，系统最终实现了每秒24帧（24FPS）的实时动作响应推演能力。

在训练方法上，项目使用了三阶段师生蒸馏策略，通过双向教师模型去指导因果学生模型，顺利把原本多步采样压缩到了4步采样。这一方案不仅保证了动作控制能力，也进一步减轻了自回归推演过程中的误差累积问题。

实验结果表明，在多人 Minecraft 虚拟环境中的记忆、建造等五类核心场景测试里，Gamma-World 相较当前顶尖模型实现了全面领先，衡量视频质量的 FVD 指标平均下降超过40%。与此同时，这一框架也已经成功迁移到真实双臂机器人的协作任务中，充分证明了其在不同场景下的通用能力。这不仅意味着多智能体仿真水平进一步提升，未来还有望为多臂医疗协同、工厂多机器人调度以及自动驾驶等物理 AI 应用，提供全新的大规模模拟生成基础能力。