NVIDIA 釋出 Gamma World：支援多人協同互動，24 幀即時生成共享世界

過去一年裡，生成式世界模型雖然很酷，但基本都像個單機遊戲：螢幕前只有一個人輸入指令，模型只根據這一個人的操作來預測下一幀畫面。

只要多塞進來一個人，或者多放一臺需要協同工作的機器人，整個世界就很容易崩潰——視角容易穿幫，不同角色的動作也會相互打架。

NVIDIA 釋出了名為 Gamma World 的多智慧體互動世界模型，直接把世界模型從「單人獨角戲」帶進了多人同臺的時代。

它不需要提前用傳統遊戲引擎搭建任何 3D 幾何模型，就能根據多個玩家或具身智慧體的即時輸入，以 24 FPS 的速度即時生成一致的共享環境與視角。

怎麼讓一群智慧體不把世界玩散架

要在同一個畫面裡容納多個獨立做動作的智慧體，最頭疼的問題就是計算複雜度和身份混亂。

如果讓所有智慧體之間的視覺 token 彼此做全量交叉注意力計算，開銷會隨著人數增加呈平方級暴漲；而如果強行給每個位置分配固定的身份插槽，模型又會失去對稱性，多來一個人就得重新訓練。

Gamma World 拿出了兩個非常精巧的數學解法。首先是名為 Simplex Rotary Agent Encoding 的智慧體編碼，它是 3D 旋轉位置編碼（RoPE）的無引數擴充套件，把每個智慧體對映到旋轉角空間的正則單純形頂點上。

說白了，就是不用學任何固定槽位，也不管輸入順序誰先誰後，模型自然就能把不同角色區分開，保持置換等價。

其次是 Sparse Hub Attention。它用一組可學習的樞紐 token 來充當中介，跨智慧體的互動不再需要所有人對所有人互相計算，把計算複雜度從二次方壓到了隨智慧體數量線性增長。

為了跑出 24 幀每秒的即時流暢度，NVIDIA 還在底層基於 Cosmos-Predict2.5-2B 架構，把一個全上下文擴散教師模型蒸餾成帶 KV 快取的因果學生模型，按時間塊依次生成畫面。

測試結果顯示，哪怕模型最初只針對兩名玩家進行設定，它在不需要任何額外訓練的情況下，就能直接泛化到四名玩家的複雜互動，動作可控性和多視角一致性都很穩定。

為什麼重要

我們認為，Gamma World 最亮眼的地方在於抓住了互動式世界模型落地的最大死穴：真實世界永遠不是隻有一個人在動的。

無論是讓兩臺機械臂協同搬運一個箱子，還是讓幾個玩家在同一個虛擬房間裡捉迷藏，過去基於固定幾何網格的傳統物理引擎都非常沉重，而純影片生成又缺乏多角色的連貫控制力。

NVIDIA 這次沒有靠堆砌算力硬算全量注意力，而是用樞紐機制和單純形編碼把數學邏輯理順，這種「省算力做架構」的做法非常聰明。

對開發者和具身智慧團隊來說，這意味著未來訓練複雜協作機器人時，可能根本不需要先花大把時間在 Unity 或 Unreal 裡一點點摳物理碰撞和網格，直接把多個智慧體丟進生成世界裡跑策略就夠了。

不過，目前它展示的依然是最多四名玩家的小規模驗證場景。如果場景擴充套件到幾十個智慧體、或者每個智慧體需要超長週期的物理因果記憶時，蒸餾出的因果模型會不會出現邏輯漂移，依然有待真實測試驗證。