Prisma-World: 相机可控的多智能体视频世界模型

arXiv 2026 61.9 method

TLDR

Prisma-World是一个可通过相机控制的多智能体视频世界模型，通过几何感知去噪和新合成数据集确保跨视角一致性。

评分理由

The paper introduces a novel approach for multi-agent video generation with cross-view consistency, leveraging geometry-aware attention and a curriculum training strategy. Its main weakness is reliance on a synthetic dataset (UE5) without real-world validation, and it does not address interactive agent actions beyond camera control.

Read-first 评分解释

综合优先阅读分 61.9，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 48。

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%

95.2

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：0.95211968

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：数据集、评估、实验

主题相关性 29%

68.6

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

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：数据集

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：451。

关键词评分

world model

video world model

generative world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将多智能体生成建模为联合几何感知去噪过程以实现跨视角一致性
将所有智能体视频处理在一个全注意力序列中
多智能体RoPE设计，在保持同步时间坐标的同时区分智能体身份
将相对相机几何注入注意力，使重叠视角偏向共享场景证据
重叠衰减课程训练范式
小地图条件结构引导
PrismaDataset：大规模UE5数据集，包含全景采集、可组合的多智能体视图组以及精确的相机/动作标注

方法

Prisma-World将所有智能体视频处理在一个全注意力序列中，使用多智能体RoPE设计在保持同步时间坐标的同时区分智能体身份，并将相对相机几何注入注意力以促使重叠视角偏向共享场景证据。它还采用重叠衰减课程训练范式和小地图条件结构引导来增强多视角一致性和全局空间感知。

关键结果

单个Prisma-World模型能够生成高保真多智能体视频，支持灵活的智能体数量、相机可控性、改进的跨视角一致性以及在小地图引导下的空间定位。

技术栈

UE5RoPEFull-attentionCamera geometry injectionMinimap guidanceOverlap-decaying curriculum training

资源

论文