OverSeer世界模型用固定辅助视角提升多智能体视频一致性
AI 总结
arXiv预印本2610.28554（2026年10月20日提交）由Runjia Li等作者提出OverSeer，一种多智能体视频世界模型，在以自我为中心的主体视角之外增加辅助相机视角。作者认为，将辅助视角在空间中固定后，可作为以世界为中心的表示的替代，并报告这些固定视角显著帮助模型维持一致性；配合只编码相对静态参考图变化的delta-VAE，还能大幅减少处理辅助视角所需的token。论文称在Minecraft和Doom实验中改善了世界与智能体一致性，并在真实多相机拍摄上给出定性结果，但所有结果均为作者自报，尚未经同行评审。
深度见解
该研究提供了一种简单且带压缩方案的跨智能体一致性思路，而这正是视频世界模型从单智能体扩展到多智能体的核心障碍。
Computer Science > Computer Vision and Pattern Recognition
arXiv:2610.28554 (cs)
[Submitted on 20 Oct 2026]
Title:OverSeer: Multi-Agent World Models Beyond What Agents See
Authors:Runjia Li, Kam Woh Ng, Minghao Chen, Junlin Han, Jianyuan Wang, Zhaochong An, Juan-Manuel Perez-Rua, Andrea Vedaldi, Shikun Liu
View a PDF of the paper titled OverSeer: Multi-Agent World Models Beyond What Agents See, by Runjia Li and 8 other authors