OverSeer：超越智能体视野的多智能体世界模型

研究者提出多智能体世界模型 OverSeer，在各智能体第一人称视角外引入固定空间的辅助摄像头视角，作为以世界为中心的表征以维持时间与智能体间的一致性。辅助视角冗余且半静态，可通过 delta-VAE 仅编码相对静态参考图的变化来压缩，降低 token 数量与计算开销。在 Minecraft 和 Doom 上的实验显示世界与智能体一致性提升，真实世界多摄像头拍摄结果也验证了该方法不限于游戏引擎。