腾讯港大研究多人世界模型：八个玩家如何同看一个世界？

玩过四人联机射击的人大概都碰过这种怪事：两个队友一起冲进房间，一个说地上有箱子，另一个却什么也没看见。

这跟网络延迟没关系，问题出在更底下的一层。假如画面不靠传统游戏引擎渲染，而是交给AI生成，就会撞上一个几乎没人认真啃过的硬骨头——多个玩家视角之间怎么保持一致。

腾讯和香港大学的研究团队盯上的就是这件事。多人世界模型，到底难在哪？

先交代背景。这几年AI生成视频跑得很快，从Sora到Veo，单镜头画质已经接近实拍。这类系统有个名字，叫视频世界模型：它根据过去的画面和动作，预测下一步会发生什么，相当于在AI脑子里装了一台物理引擎。

可几乎所有的视频世界模型讲的都是单人故事——一台摄像机、一条动作序列、一段文本提示，生成一段视频。放在自动驾驶仿真、机器人训练里够用，一旦碰上多人联机游戏，事情就复杂了。

多人场景提了三项要求。其一，两个玩家视角出现重叠时（比如都看见了同一个箱子），画面细节得对得上，不能一个看到红箱子、另一个看到蓝箱子。其二，每个玩家按自己的操作走，玩家2按下瞄准键，画面就该切到瞄准视角，不能被别人的动作带偏。其三，这一点最容易被忽略：不相关的事件不该互相污染。玩家3在角落开枪冒出火光，这团火光不该莫名其妙漂进玩家4的画面，人家压根没往那边看。

研究者试过两条路，都卡住了。

Solaris这类方法走的是第一条路，叫做[[保留1]]。思路听着挺公平，人人平等地互相看一眼。代价是计算量随玩家数量呈平方级上涨。4个玩家还扛得住，想做10人联机，开销直接爆炸。论文给出的实际数字很直观：10人场景下，

全连接通信

好比一场10人会议，规定每个人必须单独跟其余9人逐一私聊才能开成，沟通成本随人数指数级爬升。不设限呢，会议室里永远在交换意见，效率低到没法用。改成先分组讨论、再派代表汇总，会议效率立刻不一样。全连接方案的死穴就在这里：它没有分组这个概念，所有人必须两两直连。

第二条路是γ-World走的，叫做[[保留2]]。计算爆炸的问题解决了，每个玩家只需跟中心对话一次，不必跟所有人对话。但新麻烦跟着来：所有玩家的信息，不管相关不相关，全挤进同一个“广播站”。玩家2的瞄准动作、玩家3的开枪火光、玩家4完全无关的移动，混在一个信道里来回传递。结果就是论文开头那个例子，火光信息串台到了不相关玩家的画面里，这就是**

集中式通信

一个公共广播站什么消息都往里塞，听众迟早会把不相关的通知当成跟自己有关的事。这不是信道容量不够，而是塞进去的信息种类太杂，没有分流。[[保留3]]

**

研究者的直觉很朴素：现实世界里，人和人的相关性并不均等。两个在同一个房间里打架的玩家，信息高度相关，应该紧密沟通；两个分别在地图两端巡逻的玩家，基本互不相关，没必要时时刻刻互通有无。

Multics于是提出了[[保留4]]。具体机制是这样：每个玩家的视觉信息用一组token表示，token可以理解成神经网络里携带信息的最小单元。相关性高的玩家被分到同一小组，组内设置若干个[[保留5]]。

层级通信

组令牌

全局令牌继续扮演跨组沟通的角色，不过它接收的已经是组内筛选、聚合过的信息，不再是所有玩家原始信息的大杂烩。

这设计像什么？想象一家大公司开周会。每个员工都跟CEO一对一汇报所有细节，CEO会被信息淹没，汇报质量也下降，因为他没时间消化每个人的具体工作。设一层部门经理就不一样：员工先跟同部门的人对齐，部门经理再把浓缩后的要点报给CEO，传递效率和质量都往上走。去掉部门经理这层，让所有人直接对CEO说话，得到的就是γ-World的问题——信息混杂、重点丢失。让每个员工跟每个同事单独开会对齐，得到的就是Solaris的问题——会议开到天荒地老，根本忙不完。[[保留6]]

层级通信

这些[[保留5]]还有个好处。模型训练时哪怕只见过4人组成2个小组的场景，推理时遇到10人组成5个小组的场景，也能直接套用，不必为每种玩家数量重新训练一套参数。

这个思路跟搭乐高差不多。要是每种造型都单独开一套模具，能拼出来的样子就那么几种。换成标准化的、可以反复用的积木块，同一套零件搭小房子行，搭大城堡也行，差别只在于用多少块、怎么摆。

那谁跟谁分到一组，怎么定？随便分显然不行。比如固定前两人一组、后两人一组，玩家一走动，原本没什么关系的人可能突然凑到一块，本来挨得很近的两个人反倒被拆开，信息割裂照样出现。

层级通信

Multics的办法叫[[保留2]]。系统会一直算每两个玩家之间的“相关性分数”，这个分数看两样东西：两人的摄像机离得多近，以及视线是不是朝着对方、或者朝着同一片区域。分数高的，就优先划进同一组。

动态分组

不过这里卡着一个条件，叫[[保留3]]。说白了，分组不能想怎么分就怎么分，得在一个固定的“沟通经费”里做文章，把真正相关的玩家尽量凑在一起，让这笔预算花得值。

预算约束

这套逻辑跟企业重组团队很像。公司不可能无限掏钱搞团建、开跨部门会，可一分钱不花，部门墙又会越砌越高。比较合理的做法是先定一笔固定预算，再把这笔钱优先给协作最紧密、产出最高的那几个团队。要是没有上限，直接按相关性最高无脑分组，系统很可能滑向另一种形式的

论文的消融实验也说明这一步不能省。固定分组——不管实际相关性，始终按同一种方式分——几何一致性得分是50.71%，随机分组更差，只有46.76%，而

**实验结果说明了什么**

研究团队在

在4人和6人场景下，Multics在一致性指标

泛化能力是更关键的测试。研究者只用4个玩家训练，然后直接拿去跑6人、8人、10人的场景，全程不重新训练。结果Multics在10人场景下的一致性得分仍有51.54%，Solaris是47.82%，γ-World是49.12%。分组加上共享参数这套设计，确实让它能跨过训练时的玩家数量，这一点在实际应用里分量很重——总不可能每种玩家数量都单独训一个模型。

研究者还换了个完全不同的场景做跨领域验证，叫EgoTeam。Multics在这个数据集上照样是相对最好的，一致性得分58.62%，高过Solaris的57.65%和γ-World的52.31%。层级通信这个思路并非针对CS2专门调出来的巧合，它有一定通用性。

计算效率的数据也值得单独拎出来讲。玩家数量从4人涨到10人，

**写在后面**

读完论文，我最意外的是它挑的参照对象。研究者没有凭空造一个新概念，而是把Solaris和γ-World这两种已有方案摆到一起，直接点出各自的病根：一个通信太密，算力扛不住；一个通信太集中，信息串了味。层级通信说到底，是在两个极端中间找一个有物理直觉撑着的中间态。这种先看清两个失败案例的病因再下药的路径，比直接堆新模块的论文更让人信服。

另一个让我多想了一会儿的细节，是组令牌共享参数这个设计。表面看是工程技巧，背后的逻辑其实挺有意思：想让系统扛住未知规模的扩展，就不能把结构和具体规模死死绑在一起。这跟现实里很多组织设计的原则是通的。一个只能靠不断加管理层级来应付扩张的公司，迟早被自己的复杂度压垮；反过来，用标准化、可复制的单元去应对规模变化，弹性会更好。

论文也留了一个没完全解决的问题：长时间运行下的世界状态持久性。玩家分组是动态变的，如果玩家甲离开乙的小组很久之后又重新靠近，之前共享过的那些细节信息，系统还“记得”保持一致吗？论文里说这是未来的方向，但没给答案。这问题其实挺本质，真实的多人游戏不是几分钟的片段，而是动辄几十分钟甚至几小时的连续体验。

Q&A

Q1：Multics是什么？

A：腾讯与香港大学团队联合提出多人视频生成世界模型Multics，其核心创新在于层级通信机制：多个玩家视角下AI生成的画面既能保持一致，又能响应各自操作，还可抵御无关事件干扰。

Q2：Multics和Solaris、γ-World相比有什么优势？

A：Solaris采用全连接通信，计算量随玩家数平方增长；γ-World采用

问：Multics的动态分组机制是如何运行的？

答：该机制以玩家最近的摄像机位置和视线方向为依据，实时算出任意两位玩家之间的相关性分数，再将关联紧密的玩家划入同一小组，且分组过程受一个预算上限约束，从而防止沟通成本失控。