NVIDIA lance Gamma-World, le modèle multi-agent prend en charge la collaboration à 4 joueurs à 24 images par seconde

ME AI a annoncé que, selon les données de Beating Monitoring, des chercheurs de NVIDIA en collaboration avec l'Université Tsinghua, l'Université de Toronto et l'Institut Vector ont publié un modèle génératif multi-agents appelé Gamma-World, qui brise la limite historique des simulations d'environnements virtuels restreintes aux interactions individuelles ou à deux personnes. L'équipe a actuellement publié la page du projet et l'article scientifique ; le code et les poids seront ouverts prochainement. Le modèle introduit deux mécanismes : une généralisation de haute dimension de l'encodage de position rotatif et des marqueurs d'intermédiaire d'information. Il permet, pour la première fois, de passer directement de la collaboration à deux joueurs à quatre joueurs sans re-entraînement, tout en garantissant que chaque joueur reste indépendamment contrôlable. Le principal défi des modèles multi-joueurs réside dans la capacité à maintenir un contrôle indépendant pour chaque joueur tout en évitant les conflits d'action. L'équipe de recherche a conçu l'encodage rotatif d'agent simplex (Simplex Rotary Agent Encoding), qui étend l'encodage de position rotatif classique (RoPE) à un espace d'angles de haute dimension. Ce nouvel encodage confère à tous les joueurs une symétrie physique entièrement équivalente, éliminant ainsi la dépendance à des numéros de joueur fixes et permettant une référence et un contrôle indépendants plus naturels. Pour éviter une explosion quadratique du coût de calcul avec l'augmentation du nombre de joueurs, la solution introduit le mécanisme d'attention centrale clairsemée (Sparse Hub Attention). Le système transmet les informations d'interaction via des marqueurs centraux apprenables, réduisant ainsi le coût de calcul de l'attention entre joueurs à un niveau linéaire. En termes de vitesse de génération, l'équipe a distillé un modèle profond à diffusion à forte latence en un modèle causal élève, combiné avec un cache clé-valeur (KV Cache), pour produire une réponse d'action en temps réel à 24 images par seconde (24 FPS). Les évaluations dans des environnements de jeux multijoueurs montrent que le nouveau modèle surpasse nettement les réseaux traditionnels basés sur des emplacements ou sur une attention dense en termes de réalisme visuel, de contrôlabilité des actions et de cohérence entre joueurs. (Source : BlockBeats)