Multics：階層型通信でマルチプレイヤー世界モデルを拡張

導入

複数プレイヤーのための世界モデルでは、単に視点ごとの動画を複数生成すればよいわけではない。各視点は同じ環境や出来事を描写しながら、プレイヤーごとの行動とカメラ操作は独立して制御できなければならない。プレイヤー数が増えるほど、情報交換のコストと、無関係なイベントが互いに影響する問題が大きくなる。

Tencent ARC Lab が提案した Multics は、この課題に対してプレイヤー、グループ、グローバルという3段階の通信構造を導入する。すべてのプレイヤーを直接接続するのではなく、局所的な関連性を先に整理する設計だ。

主な仕組み

• グループトークンの導入。 グループトークンが関連するプレイヤーの情報を集約し、局所的なイベントや視覚的文脈の中間表現として機能する。
• 階層化された情報交換。 プレイヤーはまずグループ内で情報を共有し、グループトークンがグローバルトークンと接続する。これにより、関係の薄いプレイヤー間の直接的な混合を抑えられる。
• グループ間のパラメータ共有。 グループトークンのパラメータは複数のグループスロットで共有されるため、プレイヤー数や配置が変わってもグループごとの専用パラメータを追加する必要がない。
• 動的グループ化。 最近のカメラ軌跡を手がかりに、関連性が高いプレイヤーを適応的にまとめる。通信予算も設けることで、不要な接続を抑制する。

実験結果と意味

論文によれば、Multics は4人および6人の設定で良好な結果を示し、プレイヤー間の視点整合性、プレイヤー固有の行動・カメラ制御、干渉への頑健性を改善した。また、4人で学習したモデルを再学習せずに6人、8人、10人の推論へ拡張できるという。自注意の計算量も、全結合通信方式より小さいとされる。

この研究の重要性は、マルチプレイヤー世界モデルにおける「共有」と「分離」を通信構造として同時に扱った点にある。中央集約型の表現は無関係なイベントを混ぜやすく、全結合型はプレイヤー数に伴ってコストが増える。Multics は、局所的な関係は密に扱い、グループをまたぐ情報は上位表現を通して選択的に伝えることで、両者のバランスを取る。

一方、公開された素材だけでは、より複雑な環境、長時間の生成、大規模なプレイヤー数での安定性までは判断できない。カメラ軌跡だけで意味的な関係まで十分に捉えられるかも、今後の検証課題だ。それでも、スケーラブルなインタラクティブ動画生成に向けた有力な設計方針を示している。

出典：Hugging Face Daily Papers