功夫一致性：画面在时序上连贯；跨视角一致性：A在B视野中的出现与A自身轨迹吻合；交互一致性：多个智能体对共享环境的操作在所有视角中产生一致的状态变动。 Solaris已经在双人Minecraft上获得了不错的了局，但它露出出的两个结构性问题，刚好说了然为什么将单智能体框架直接「扩大」到多智能体，是一条走不通的路。 在真实的多智能体世界中，能力一样的玩家性质上可互换，这种对称性的缺失使模型学到的是「特定角色的交互模式」，而非「多个平等主体共享世界的法规」，泛化性从底子上受限，且一旦必要支持新的玩家数就必须沉新训练。 视频Transformer用RoPE（旋转地位编码）来表白地位关系——给每个信息片段分配一个旋转角度，两个片段之间的地位差距通过旋转角度的差来表白。 无论哪两个玩家，他们在旋转角空间里的距离齐全一样。模型看到肆意两个玩家，他们之间的几何干系是对称的，谁也不比谁特殊。 事实上，玩家A放下方块，玩家B必要感知的只是「世界里出现了一个方块」——这是一个紧凑的世界状态变动，而非A的全数视觉细节。 全衔接把稳力隐含了一个如果：每个token级此外细节都必要在所有玩家之间直接传递。而这个如果在绝大无数场景下是谬误的。 每个智能体只与自身汗青及hub token交互；hub token汇聚所有智能体的信息压缩为共享状态提要，再广播回各智能体流；分歧智能体之间的直接把稳力被齐全屏蔽，信息经由两跳传递：智能体→hub→智能体 值得强调的是，稀少枢纽把稳力不只是节俭了算力，它自身也是一个更合理的综合偏置——在架构层面显式编码了「跨智能体信息应经过共享世界状态瓶颈」这一先验，而非等待模型从数据中隐式进建。 整体架构输入同步的多智能体观测和作为序列，用共享的视觉编码器和作为编码器对每个玩家流别离tokenize，再通过带稀少枢纽把稳力的因果多智能体DiT天生未来多路rollout。 天生质量和推理实时性在扩散模型里天然是一对矛盾：双向模型质量最高但无法流式推理，因果模型支持实时天生但质量降落。 关键在于将学生齐全训练为多步扩散模型，而非仅作为蒸馏热身——蒸馏之前学生已能产生合理的推演了局，为下一阶段提供不变起点。 在多人Minecraft环境的五类场景中，对比帧拼接规划和目前最强的多智能体世界模型Solaris，Gamma-World在影象、空间定位、移动、建造、跨视角一致性五个场景全面当先，关键指标FVD（视频天生质量的评估指标）均匀降幅超过40%。 消融了局注明从「进建槽位身份」换成「单纯形编码」，FVD从256.3降至228.5，没有增长任何参数，仅通过扭转编码方式就带来了整个消融中最大的单步增益 模型仅在双人数据上训练，推理时从顶点池中启用两个新顶点，直接天生四路同步视角，无需批改任何架构参数，四路画面维持共享世界状态的一致性。 当玩家临时移出对方视野时，模型仍能维持正确的空间定位——这注明模型追踪的是共享的潜在世界状态，而非独立天生各路视频后拼在一路。 这也让人不由得往更远处想：现实世界中险些所有有价值的场景，性质上都是多个主体在共享环境中合作或博弈——手术室里的多臂协同、工厂产线上的多机械人调度、自动驾驶中的多车交互。 若是一套统一的多智能体世界模型框架可能覆盖这些场景，它所代表的就不只是仿真能力的提升，而是为整个Physical AI领域提供了一个全新的数据出产和战术训练基础设施。 Gamma-World的三项主题设计，单纯形旋转智能体编码、稀少枢纽把稳力、前提师生蒸馏，别离对应多智能体世界建模中三个持久悬而未决的问题： 一个真正理解多智能体世界的模型，该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。 这一步骤论也指向一个更大的可能性：当多智能体世界模型的天生质量足以忠诚还原真实物理法规，训练数据的采集方式自身就会产生底子性转变——