开源多人世界模型 Multix：让 10 名玩家在同一个 AI 世界互动

Multix（代码仓名为 Multics）是腾讯 ARC 实验室与香港大学团队联手开源的一款多人交互世界模型。它能为同一个虚拟场景中的每位玩家生成独立的摄像机视角，同时让所有人的动作、运动状态和周围环境保持严格同步。

以往像 Genie 3 或混元 World 这类世界模型，基本都只盯着单个玩家的第一人称或第三人称视角，很难处理多人在同一场景里的交互问题。Multix 解决的就是这个痛点，让生成式 AI 第一次真正跑起了多人游戏模拟。

它是怎么做到 10 人联机的

多人在同一个世界里互动，最怕的是算力爆炸。如果让所有玩家的视角画面在每一帧都进行全量注意力计算，显存根本吃不消。

研发团队的聪明之处在于设计了一套「分层通信」机制。它把整个世界的交互拆成玩家层、群组层和全局层三级。

模型会根据玩家当前的空间位置和镜头朝向，动态决定谁和谁分为一组，只在相关的组内和全局共享关键信息。靠这个结构，团队把注意力计算成本降低了 86% 以上。

更有意思的是它的泛化能力。研发人员只用 4 名玩家的数据完成训练，但因为群组 Token 的参数是共享的，这个模型在完全不进行额外微调或二次训练的情况下，可以直接扩展到支持 6 名、8 名甚至 10 名玩家同场联机。

怎么在本地跑起来

Multix 的代码采用 Apache-2.0 许可证开源，论文、推理脚本和训练代码都已经公开。

整个基础推理包体积相当小，只有约 16GB，基于开源视频模型 Wan2.2 底座（Wan2.2-TI2V-5B）以及 DiffSynth-Studio 构建，训练数据借鉴了 OpenCS2 数据集。

想要在本地跑推理，你需要一台运行 Linux 系统的机器，配有 NVIDIA 显卡、Python 3.12 以及 CUDA 12.8 工具链。官方推荐使用 uv 管理依赖。

单卡推理时，在 BF16 精度下，每个玩家视角的输出规格为 640 × 352 分辨率、165 帧、50 步采样。在 4 到 10 名玩家的测试范围内，显存占用基本随玩家数量呈线性增长。只要从 Hugging Face 下载 4 玩家检查点，输入起始帧图像、文本描述和 tick 动作日志，就能生成同步视频。

为什么重要

我们认为 Multix 最有价值的地方，是它把世界模型的研发思路从「单人生成视频」推进到了「多人分布式网络引擎」。游戏开发者和具身智能研究者应该第一时间去克隆代码看看，它动态分组和状态同步的逻辑，很适合拿来做低成本的多智能体虚拟沙盒与游戏原型验证。

不过目前它距离真正的云原生游戏引擎还有距离，分辨率和帧数仍然受到扩散模型生成速度的物理限制。但能在 4 人训练权重下零样本外推到 10 人互动，且砍掉 86% 的计算开销，这条技术路径已经给未来的多人神经游戏指明了方向。