基于表示自编码器的多人交互世界模型

该研究提出了首个多人世界模型，适用于Rocket League等动态物理环境。模型使用5B参数潜扩散架构，在单张Nvidia B200 GPU上以20fps实时生成4人比赛。训练数据为10,000小时游戏回放，模型在5分钟评估窗口内保持分布质量稳定，实际可稳定运行数小时。研究者系统分析了视频编解码器、生成目标和多人条件方案等设计选择。