ShareVerse：面向共享世界建模的多智能体一致性视频生成

arXiv 26.3 2026 48.3 method, benchmark, application

TLDR

ShareVerse通过空间拼接和跨智能体注意力在CARLA数据上实现多智能体一致性视频生成，用于共享世界建模。

评分理由

The paper presents a novel framework for multi-agent consistent video generation, with strengths in spatial concatenation and cross-agent attention for shared world consistency. However, it relies solely on simulated CARLA data and lacks real-world validation, limiting its generalizability.

Read-first 评分解释

综合优先阅读分 48.3，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

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

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、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：数据集

引用影响力 18%

28.1

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：0.28055904

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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：331。

关键词评分

world model

video world model

generative world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

基于CARLA仿真平台构建的大规模多智能体交互世界建模数据集，包含多样化的场景、天气条件、交互轨迹以及每个智能体的多视角视频（前/后/左/右视图）和相机数据。
针对独立智能体四视角视频的空间拼接策略，用于建模更广阔的环境并确保内部多视角几何一致性。
将跨智能体注意力模块集成到预训练视频模型中，实现智能体间时空信息的交互传递，保证重叠区域的共享世界一致性以及非重叠区域的合理生成。

方法

ShareVerse使用CARLA模拟器构建大规模多智能体交互世界建模数据集，包含多样化的场景、天气条件和交互轨迹，并配有多视角视频（每个智能体四个视角）。它提出了针对四视角视频的空间拼接策略以建模更广阔的环境并确保几何一致性，并将跨智能体注意力模块集成到预训练视频模型中，实现智能体间时空信息的交互传递。该模型支持49帧大规模视频生成。

关键结果

ShareVerse支持49帧大规模视频生成，准确感知动态智能体的位置，并实现一致的共享世界建模。

资源

论文