Meta 发布多智能体世界模型 Overseer：给虚拟世界装监控，让多个 AI 视角一致

如果两个人联机打游戏，你眼睁睁看着队友掉进了岩浆，队友屏幕里却还是一片平地，这游戏肯定没法玩了。

这恰恰是之前视频世界模型的死穴。以前的模型基本只能为单个角色生成画面，一旦让多个 AI 进到同一个环境里，大家各自的第一人称视角很容易自说自话，瞬间穿帮。

Meta 团队发布了多智能体世界模型 Overseer。它解决的核心问题，就是让多个 AI 在同一个虚拟世界里互动时，不同视角看到的画面始终保持同步和一致。

给虚拟世界装上「监控摄像头」

AI 第一人称视角的难点在于晃动太大。智能体稍微转个头或者走两步，整个视野就彻底换了一套像素，模型根本分不清到底是周围的世界变了，还是只有镜头变了。

Meta 想了个很有意思的解法：除了给每个智能体生成主观视角，还在空间里放几个固定机位。

你可以把这些辅助机位想象成散布在虚拟世界各处的监控摄像头。因为机位在空间里是绝对不动的，画面一变，就代表真实环境里确实发生了动作。

这些固定机位成了连接所有 AI 的空间锚点。靠着这套参照系，模型不仅能死死盯住每个玩家的位置，还让不同视角的画面彻底对齐，谁在哪、干了什么都一清二楚。

靠 delta-VAE 把计算成本打下来

多生成几个视角的画面，听起来算力开销要成倍暴涨。但 Meta 在工程上耍了个聪明的花招。

监控画面大多是半静止的，大半块背景其实不会动。研究团队专门设计了一个叫 delta-VAE 的变分自编码器，它不去老老实实编码整张图，而是只计算每一帧相对于静态参考图的变化量。

这么一来，辅助机位占用的 token 数量被大幅压缩，模型既拿到了全局的稳定参照，又没有被恐怖的计算量拖垮。

在演示中，Overseer 已经搞定了《我的世界》（Minecraft）和经典射击游戏《毁灭战士》（Doom）的多人对局，甚至连真实世界的多机位视频也能稳稳同步。不过目前 Meta 还没开源模型权重，只公开了相关数据集和技术报告。

为什么重要

以往做生成式世界模型，大家都在卷单人画质和时长，但真实的虚拟现实、游戏联机以及机器人仿真，从来都不是单机游戏。

我们认为 Overseer 迈出的这一步非常聪明。它没有死磕极其复杂的三维物理引擎重建，而是借助几个廉价的静态视角和增量压缩，用相对轻量的方式给纯神经世界模型搭了个可靠的全局坐标系。

对于游戏开发者和具身智能团队来说，多机位数据合成一直是个大难题。虽然眼下模型还没开放下载，但 Meta 公开的数据集和这套「监控视角」架构，已经给多智能体仿真指了一条可行的路。

当然隐患也不是没有。如果换成极其庞大、充满遮挡物的复杂场景，死角里的监控覆盖不到，视角一致性还能维持多久，目前依然要打个问号。但无论如何，纯 AI 生成的多人交互世界，已经不再是空中楼阁了。