结合表示自编码器的多人交互世界模型

该论文提出面向多人动态环境的世界模型，以Rocket League为实验场景，基于1万小时公开机器人对局训练50亿参数潜在扩散模型。模型接收多名玩家的动作流，可实时生成四人比赛，在单张Nvidia B200上达到20帧每秒；论文还评估视频编解码器、生成目标、多人条件机制、规模效应及物理理解，并发布数据集、训练推理代码和在线演示。