Gamma-World：超越双玩家的生成式多智能体世界建模

arXiv 2026 60.8 method

TLDR

一种用于交互式仿真的生成式多智能体世界模型，采用新颖的智能体编码和稀疏注意力，实现实时推演。

评分理由

The paper introduces innovative techniques (Simplex Rotary Agent Encoding, Sparse Hub Attention) for scalable multi-agent world modeling, with real-time generation via distillation. However, it lacks real-world validation and the abstract cuts off before presenting experimental results.

Read-first 评分解释

综合优先阅读分 60.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 53。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

85.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.85116031

主题相关性 29%

75.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、实验、指标

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：443。

关键词评分

world model

generative world model

interactive world model

video world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

Simplex Rotary Agent Encoding：一种无参数扩展的3D RoPE，将智能体表示为旋转角度空间中的正则单纯形顶点，实现置换等价的智能体身份，无需学习每个槽位的身份或固定顺序。
Sparse Hub Attention：可学习的枢纽令牌在智能体之间中介令牌交互，将跨智能体注意力成本从智能体数量的二次方降低到线性。
将全上下文扩散教师模型蒸馏为因果学生模型，结合KV缓存实现实时推演，达到24 FPS的动作响应生成。

方法

该模型使用Simplex Rotary Agent Encoding为每个智能体分配不同的相位，同时保持置换对称性，并使用Sparse Hub Attention高效处理跨智能体交互。将全上下文扩散教师模型蒸馏为因果学生模型，通过KV缓存顺序生成时间块，实现24 FPS的动作响应生成。实验在多智能体虚拟环境中进行，与基于槽位和密集注意力的基线方法进行比较。

关键结果

所提出的模型在视频保真度、动作可控性和智能体间一致性上优于基于槽位和密集注意力的基线方法，并且无需额外训练即可从两个智能体泛化到四个智能体。

技术栈

Simplex Rotary Agent EncodingSparse Hub AttentionDiffusion modelsKV cachingCausal generation

资源

论文