MASS: 権威的共有状態を用いたマルチプレイヤーワールドモデル

要旨

現在のビデオワールドモデルは、マルチプレイヤー環境において、ワールド状態と視点依存の視覚的潜在変数を絡み合わせてしまうため、冗長な計算、視点間の不整合、およびスケーラビリティの低下を招くという課題を抱えている。我々はこの限界を解決するために、MAS（Multiplayer world models with Authoritative Shared State：権威的共有状態を用いたマルチプレイヤーワールドモデル）を提案する。マルチプレイヤーゲームのアーキテクチャに着想を得て、MASはワールドダイナミクスと視点レンダリングを分離する。学習されたLogic Engineは、手書きの遷移関数を一切用いずに、協調動作からグローバルかつ権威的な型付き状態を前進させ、唯一のリカレントメモリおよび同期基準として機能する。この共有状態から、学習されたRendering Engineは、任意の要求カメラに対して独立かつ整合的な視点をオンデマンドで生成する。この明示的な分離により、MASは、同等のマルチプレイヤーSnakeベンチマークにおいて、最先端のマルチビューベースラインと比較して、優れた状態精度と低い視点間不整合性を達成する。また、1,024人の同時プレイヤーによる予測ワールドを10,000リカレントステップにわたって前進させる。我々の結果は、明示的かつ権威的な状態モデリングが、スケーラブルで整合的なマルチエージェントワールドシミュレーションの実用的な基盤を提供することを示している。

English

Current video world models struggle in multiplayer environments because they entangle world state with view-dependent visual latents, leading to redundant compute, view inconsistencies, and poor scalability. We propose MAS (Multiplayer world models with Authoritative Shared State) to resolve this limitation. Inspired by multiplayer game architectures, MAS disentangles world dynamics and view rendering. A learned Logic Engine advances a global, authoritative typed state from joint actions without any hand-written transition function, acting as the sole recurrent memory and synchronization reference. From this shared state, a learned Rendering Engine generates independent and consistent views for any requested camera on demand. This explicit disentangling allows MAS to achieve superior state accuracy and lower cross-view inconsistency compared to state-of-the-art multi-view baselines on a matched multiplayer Snake benchmark. It advances predicted worlds with 1,024 concurrent players for 10,000 recurrent steps. Our results show that explicit, authoritative state modeling provides a practical foundation for scalable and consistent multi-agent world simulation.