Multics：用分层通信扩展多玩家世界模型

导语

让世界模型同时生成多个玩家眼中的同一环境，难点并不只是“多生成几路视频”。模型既要让共享场景、角色和事件在不同视角下保持一致，又要允许每个玩家执行不同动作、拥有独立镜头。随着玩家数量增加，信息交互的成本和彼此干扰也会迅速上升。

腾讯 ARC Lab 提出的 Multics，正是针对这一问题设计的多玩家视频生成框架。论文的核心思路不是让所有玩家直接交换全部信息，而是把通信组织成玩家、群组和全局三个层级。

核心方法

• 引入群组 token。 群组 token 充当中间表示，先聚合一组相关玩家的信息，再参与更高层的交互。这样，局部事件可以在群组内部充分交流，减少无关玩家之间的直接混合。
• 建立分层通信路径。 玩家信息先进入群组层，群组 token 再与全局 token 连接，实现不同群组之间的必要信息传递。相比完全连接的注意力结构，这种拓扑有助于降低不相关事件互相干扰的风险。
• 支持可变玩家数量。 不同群组位置共享群组 token 的参数，因此通信模块不必为每个固定群组单独配置参数，能够适应不同规模的玩家集合。
• 动态分组控制预算。 Multics 根据近期摄像机轨迹判断哪些玩家更可能相关，并在计算预算约束下进行分组。换言之，模型会优先沟通视角或事件联系更紧密的玩家，而不是让所有玩家始终保持高强度连接。

实验与意义

论文报告称，Multics 在 4 玩家和 6 玩家设置下取得了当前较好的结果，在跨玩家一致性、玩家专属动作与镜头控制，以及对信息干扰的抵抗能力方面都有改进。更值得关注的是，模型可以从 4 玩家训练扩展到 6、8 和 10 玩家推理，无需重新训练；与此同时，其自注意力计算量低于完全连接式通信方案。

这项工作的价值在于，它把多玩家世界模型中的“共享”与“隔离”同时纳入架构设计。完全中心化的表示容易让互不相关的事件彼此污染，而全连接通信又会随着玩家数量增长带来较高成本。分层通信提供了一种折中：局部信息保持紧密联系，跨群组信息则通过更高层表示进行筛选和传递。

当然，现有材料主要披露了方法设计与总体实验结论，尚不足以判断其在更复杂场景、更多玩家或更长时间生成中的稳定性。后续仍需观察动态分组是否能持续捕捉真实的交互关系，以及这种结构能否迁移到更广泛的多主体模拟任务。对交互式视频生成和可扩展世界模型而言，Multics 展示了一条值得继续验证的架构路线。

来源：Hugging Face Daily Papers