NVIDIA 发布 Gamma World：支持多人协同互动，24 帧实时生成共享世界

过去一年里，生成式世界模型虽然很酷，但基本都像个单机游戏：屏幕前只有一个人输入指令，模型只根据这一个人的操作来预测下一帧画面。

只要多塞进来一个人，或者多放一台需要协同工作的机器人，整个世界就很容易崩溃——视角容易穿帮，不同角色的动作也会相互打架。

NVIDIA 发布了名为 Gamma World 的多智能体交互世界模型，直接把世界模型从「单人独角戏」带进了多人同台的时代。

它不需要提前用传统游戏引擎搭建任何 3D 几何模型，就能根据多个玩家或具身智能体的实时输入，以 24 FPS 的速度实时生成一致的共享环境与视角。

怎么让一群智能体不把世界玩散架

要在同一个画面里容纳多个独立做动作的智能体，最头疼的问题就是计算复杂度和身份混乱。

如果让所有智能体之间的视觉 token 彼此做全量交叉注意力计算，开销会随着人数增加呈平方级暴涨；而如果强行给每个位置分配固定的身份插槽，模型又会失去对称性，多来一个人就得重新训练。

Gamma World 拿出了两个非常精巧的数学解法。首先是名为 Simplex Rotary Agent Encoding 的智能体编码，它是 3D 旋转位置编码（RoPE）的无参数扩展，把每个智能体映射到旋转角空间的正则单纯形顶点上。

说白了，就是不用学任何固定槽位，也不管输入顺序谁先谁后，模型自然就能把不同角色区分开，保持置换等价。

其次是 Sparse Hub Attention。它用一组可学习的枢纽 token 来充当中介，跨智能体的交互不再需要所有人对所有人互相计算，把计算复杂度从二次方压到了随智能体数量线性增长。

为了跑出 24 帧每秒的实时流畅度，NVIDIA 还在底层基于 Cosmos-Predict2.5-2B 架构，把一个全上下文扩散教师模型蒸馏成带 KV 缓存的因果学生模型，按时间块依次生成画面。

测试结果显示，哪怕模型最初只针对两名玩家进行设定，它在不需要任何额外训练的情况下，就能直接泛化到四名玩家的复杂互动，动作可控性和多视角一致性都很稳定。

为什么重要

我们认为，Gamma World 最亮眼的地方在于抓住了交互式世界模型落地的最大死穴：真实世界永远不是只有一个人在动的。

无论是让两台机械臂协同搬运一个箱子，还是让几个玩家在同一个虚拟房间里捉迷藏，过去基于固定几何网格的传统物理引擎都非常沉重，而纯视频生成又缺乏多角色的连贯控制力。

NVIDIA 这次没有靠堆砌算力硬算全量注意力，而是用枢纽机制和单纯形编码把数学逻辑理顺，这种「省算力做架构」的做法非常聪明。

对开发者和具身智能团队来说，这意味着未来训练复杂协作机器人时，可能根本不需要先花大把时间在 Unity 或 Unreal 里一点点抠物理碰撞和网格，直接把多个智能体丢进生成世界里跑策略就够了。

不过，目前它展示的依然是最多四名玩家的小规模验证场景。如果场景扩展到几十个智能体、或者每个智能体需要超长周期的物理因果记忆时，蒸馏出的因果模型会不会出现逻辑漂移，依然有待真实测试验证。