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。。。。。。 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。。。。。。 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。。。。。。 视频Transformer用RoPE（旋转位置编码）来表达位置关系——给每个信息片断分派一个旋转角度，，，，，，两个片断之间的位置差别通过旋转角度的差来表达。。。。。。 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。。。。。。 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。。。。。。 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。。。。。。 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 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。。。。。。 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。。。。。。 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。。。。。。 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。。。。。。 在多人Minecraft情形的五类场景中，，，，，，比照帧拼接计划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%。。。。。。 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，，，，，，仅通过改变编码方法就带来了整个消融中最大的单步增益 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。。。。。。 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。。。。。。 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： 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。。。。。。 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，，，，，，训练数据的收罗方法自己就会爆发根天性转变——