玩游戏时，难点往往不只是球会怎么滚、车会怎么撞，而是别人下一秒会做什么。过去很多世界模型——也就是让 AI 在脑内预测“接下来会发生什么”的模型——更像单人练习场：其他角色常被当作环境背景的一部分。Anthony Hu 等人的这篇论文把问题推进到多人场景：模型不只看画面，还接收多名玩家各自的动作流，学习区分“是谁的动作造成了哪部分变化”。
他们选择的测试场是 Rocket League，一款用赛车踢足球的高速竞技游戏。这里碰撞、抢球、配合和对抗都很密集，很适合检验模型是否真的理解互动。论文中的模型是一个 5B 参数的 latent diffusion model（在压缩后的潜在空间里生成未来画面），并使用 Representation Autoencoder——一种把复杂画面压缩成有用表示、再尽量还原的模型——帮助保留关键状态。作者称，模型用公开 bot 产生的 10,000 小时游戏数据训练，可以实时生成四人比赛，在单张 Nvidia B200 GPU 上达到每秒 20 帧。
最值得注意的是时间尺度。作者说，虽然训练只用短片段，生成结果在他们测量的最长 5 分钟内仍保持分布质量稳定，实际观察中还能连续运行数小时而没有明显崩塌。这些效果仍是论文作者自述，摘要未披露更细的评测数字；但方向本身很清楚：多人世界模型开始把“其他玩家”从背景噪声提升为可交互主体，这对游戏、仿真和多智能体系统都很关键。