时间一致性：画面在时序上连贯；跨视角一致性：A在B视野中的呈现与A自身轨迹吻合；交互一致性：多个智能体对共享环境的操作在所有视角中发生一致的状态变化。 Solaris已经在双人Minecraft上取得了不错的结果，但它暴露出的两个结构性问题，恰恰说明了为什么将单智能体框架直接「扩展」到多智能体，是一条走不通的路。 在真实的多智能体世界中，能力相同的玩家本质上可互换，这种对称性的缺失使模型学到的是「特定角色的交互模式」，而非「多个平等主体共享世界的规律」，泛化性从根本上受限，且一旦需要支持新的玩家数就必须重新训练。 视频Transformer用RoPE（旋转位置编码）来表达位置关系——给每个信息片段分配一个旋转角度，两个片段之间的位置差别通过旋转角度的差来表达。 无论哪两个玩家，他们在旋转角空间里的距离完全一样。模型看到任意两个玩家，他们之间的几何关系是对称的，谁也不比谁特殊。 事实上，玩家A放下方块，玩家B需要感知的只是「世界里出现了一个方块」——这是一个紧凑的世界状态变化，而非A的全部视觉细节。 全连接注意力隐含了一个假设：每个token级别的细节都需要在所有玩家之间直接传递。而这个假设在绝大多数场景下是错误的。 每个智能体只与自身历史及hub token交互；hub token汇聚所有智能体的信息压缩为共享状态摘要，再广播回各智能体流；不同智能体之间的直接注意力被完全屏蔽，信息经由两跳传递：智能体→hub→智能体 值得强调的是，稀疏枢纽注意力不只是节省了算力，它本身也是一个更合理的归纳偏置——在架构层面显式编码了「跨智能体信息应经过共享世界状态瓶颈」这一先验，而非期待模型从数据中隐式学习。 整体架构输入同步的多智能体观测和动作序列，用共享的视觉编码器和动作编码器对每个玩家流分别tokenize，再通过带稀疏枢纽注意力的因果多智能体DiT生成未来多路rollout。 生成质量和推理实时性在扩散模型里天然是一对矛盾：双向模型质量最高但无法流式推理，因果模型支持实时生成但质量下降。 关键在于将学生完整训练为多步扩散模型，而非仅作为蒸馏热身——蒸馏之前学生已能发生合理的推演结果，为下一阶段提供稳定起点。 在多人Minecraft环境的五类场景中，对比帧拼接方案和目前最强的多智能体世界模型Solaris，Gamma-World在记忆、空间定位、移动、建造、跨视角一致性五个场景全面领先，关键指标FVD（视频生成质量的评估指标）平均降幅跨越40%。 消融结果说明从「学习槽位身份」换成「单纯形编码」，FVD从256.3降至228.5，没有增加任何参数，仅通过改变编码方式就带来了整个消融中最大的单步增益 模型仅在双人数据上训练，推理时从顶点池中启用两个新顶点，直接生成四路同步视角，无需修改任何架构参数，四路画面维持共享世界状态的一致性。 当玩家暂时移出对方视野时，模型仍能维持正确的空间定位——这说明模型追踪的是共享的潜在世界状态，而非独立生成各路视频后拼在一起。 这也让人忍不住往更远处想：现实世界中几乎所有有价值的场景，本质上都是多个主体在共享环境中协作或博弈——手术室里的多臂协同、工厂产线上的多机器人调度、自动驾驶中的多车交互。 如果一套统一的多智能体世界模型框架能够覆盖这些场景，它所代表的就不只是仿真能力的提升，而是为整个Physical AI领域提供了一个全新的数据生产和策略训练基础设施。 Gamma-World的三项核心设计，单纯形旋转智能体编码、稀疏枢纽注意力、条件师生蒸馏，分别对应多智能体世界建模中三个持久悬而未决的问题： 一个真正理解多智能体世界的模型，应当在结构上就是对称的，而不是见过足够多的数据之后，碰巧学出了近似对称的行为。 这一方法论也指向一个更大的可能性：当多智能体世界模型的生成质量足以忠实还原真实物理规律，训练数据的采集方式本身就会发生根本性转变——