NVIDIA 联合清华大学、多伦多大学和矢量研究所，一起搞出了个新东西，叫 Gamma-World。
以前那种视频世界模型，基本是个人在那儿瞎转悠，或者两个人配合一下就算顶天了。你想让一群人在虚拟世界里同时跑、互相看、还配合干活？老模型直接趴窝。
这次 Gamma-World 算是把“单视角”给砸了，主打一个多智能体协作。说白了，就是让好几个 AI 智能体在一个虚拟环境里，像真的一样互动。
为啥以前不行，现在行了？主要解决了三个老生常谈的头疼事：时间对得上不对不上、不同角度看画面能不能统一、还有智能体之间怎么互动才不卡壳。
拿以前那个 Solaris 模型举例吧，它俩能配合是挺牛，但有两处硬伤：
第一，它分不清谁是谁。因为编码方式太对称，导致模型看谁都差不多，没法区分个体。
第二，太费算力。只要参与的人数一多，计算量就爆炸式增长（平方级），根本跑不动大规模的场景。
Gamma-World 直接把这两个坑给填平了，改动挺大的：
1. 用几何位置代替名字（简单旋转编码）
以前得给每个智能体编个号，现在直接把所有人扔到一个几何图形（单纯形）的顶点上。
好处是：
- 不用教模型认脸，大家地位平等，位置天然就不一样。
- 不用重新训练。用两个人的数据练出来的模型，直接扔进去四个人、甚至更多人也能跑，架构都不用动。
2. 搞了个“中间人”传话（稀疏枢纽注意力）
以前是 A 看 B，B 看 C，每个人都要跟别人直接连上，人多就累死了。
这次改得聪明点：
- 大家不再互相直接看，而是都盯着一个“中间人”（Hub Tokens）。
- 这个中间人负责把大家看到的景象压缩一下转述。
- 结果就是，计算量从平方级降到了线性级。实测下来，跑起来能到 24 帧每秒，实时性有了。
3. 老师带着学生练（三阶段蒸馏）
训练的时候，搞了个“老专家”模型带着“新手”模型学。
- 本来需要一步步慢慢推理（自回归），现在压缩成了四步。
- 好处是速度快了，而且不会像以前那样，推得越久错得越离谱。
实测数据看着挺漂亮：
在 Minecraft 这种游戏环境里，搞记忆、建房子这些任务，生成的视频质量比现在最强的模型好了 40% 以上（FVD 分数低了）。
而且，这玩意儿不光在电脑里跑，真机上也试过了。双臂机器人拿着东西互相配合干活，它也能指挥得过来。
最后说说这玩意儿能干嘛。
这算是给物理 AI 搭了个新地基。以后搞大规模仿真，比如：
- 医院里几个机械臂一起配合做手术。
- 工厂里一堆机器人协调搬运。
- 自动驾驶里，让一堆车在复杂路口模拟怎么过。
这些以前想都不敢想的大场面，现在可能真能模拟出来了。
总之，这算是给多智能体仿真开了个新窗口，虽然具体落地还得看后续，但方向算是找对了。
