视频世界模型正迎来从单人视角向多人协作的底层变革。传统的视频世界模型大多建立在单智能体假设之上，难以应付多个玩家在同一虚拟世界中同时操作、互相观察的复杂场景。为了打破这一架构瓶颈，英伟达联合清华大学、多伦多大学及 Vector Institute 正式发布了名为 Gamma-World（γ-World）的全新多智能体世界模型方案。
多智能体世界建模的核心难点在于同时维护时间、跨视角以及交互的三重一致性。以往的研究如 Solaris 虽然在双人协同上取得了进展，但暴露出身份编码破坏置换对称性、全连接注意力机制导致计算量随人数平方级暴涨这两大核心缺陷，无法真正扩展到更多主体。
针对这些结构性缺失，Gamma-World 从底层组件入手进行了重新设计。首先，团队创新性地提出了“正单纯形旋转智能体编码（Simplex Rotary Agent Encoding）”。通过将所有玩家放置在几何空间的正单纯形顶点上，实现了所有玩家天然等距且地位平等。这种设计不含任何可学习参数，随机分配坐标，使得模型在无需更改架构的情况下，就能实现“双人数据训练、四人场景直接跑通”的跨越式泛化。
其次，为了解决算力吞吐瓶颈，Gamma-World 引入了“稀疏枢纽注意力机制（Sparse Hub Attention）”。该设计彻底摒弃了传统的两两直接通信模式，改用一组可学习的枢纽 Token 作为共享世界状态的压缩中转站，将计算成本成功降至线性复杂度。在独立的缓存技术加持下，系统成功实现了每秒24帧(24FPS)的实时动作响应推演。
在训练层面，项目采用了三阶段师生蒸馏法，利用双向教师模型引导因果学生模型，成功将多步采样压缩为4步采样，不仅保障了动作的可控性，还有效缓解了自回归推演中的误差累积。
实验数据显示，在多人 Minecraft 虚拟环境的记忆、建造等五类核心场景测试中，Gamma-World 相比现有最强模型取得了全面领先，评估视频质量的 FVD 指标平均降幅超过40%。该框架已成功迁移至真实双臂机器人的协同任务中，充分验证了其跨场景的通用性。这不仅标志着多智能体仿真能力的提升，未来更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 领域提供全新的大规模模拟生成基础设施。
