MultiWorldBench: Do Independently Controlled Views Describe One Shared World?
作者: Zhangbo Xu, Ruoxi Zhang, Rui Hu, Yisong Wang
分类: cs.AI, cs.CV
发布日期: 2026-10-08
备注: 31 pages, 17 figures, 3 tables
💡 一句话要点
提出MultiWorldBench以评估多玩家世界模型的一致性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 多玩家游戏 世界模型 一致性评估 Minecraft基准 共享状态 结构一致性 能力评估
📋 核心要点
- 核心问题：现有多玩家世界模型在独立视图的一致性和共享状态的持久性方面存在显著不足。
- 方法要点：提出MultiWorldBench基准，通过495个案例配置评估多玩家世界模型的各项能力，确保视图间的一致性。
- 实验或效果：Gamma-World在十项能力的平均得分中表现最佳，但在状态持久性和结构一致性方面仍有待提升。
📝 摘要（中文）
多玩家世界模型必须确保独立控制的视图与一个共享且持久的世界保持一致。本文介绍了MultiWorldBench，这是一个包含495个案例配置的Minecraft基准测试，涵盖七个任务套件和十种能力，包括独立控制、跨视图运动、共享状态同步等。我们评估了Solaris、Gamma-World和MineWorld，并以Engine GT作为参考。Gamma-World在多个能力上表现优异，但所有生成系统在状态持久性和结构一致性方面得分较低，表明当前的个体视图尚未构成一个连贯的多玩家世界。
🔬 方法详解
问题定义：本文旨在解决多玩家世界模型中独立控制视图之间的一致性问题。现有方法在共享状态的持久性和结构一致性方面表现不佳，导致无法形成连贯的多玩家体验。
核心思路：论文提出MultiWorldBench基准，通过多样化的任务配置和能力评估，系统性地测试和比较不同的多玩家世界模型，以识别其在一致性和持久性方面的不足。
技术框架：MultiWorldBench包含495个案例配置，分为七个任务套件，涵盖独立控制、跨视图运动、共享状态同步等十种能力。评估过程中，使用Engine GT作为基准，比较不同模型的表现。
关键创新：最重要的创新在于构建了一个全面的基准测试框架，能够系统性地评估多玩家世界模型的能力，特别是在共享状态和结构一致性方面的表现。
关键设计：在评估过程中，采用了多种能力指标，并通过自动评估与人类偏好进行对比，确保结果的可靠性和一致性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Gamma-World在十项能力的平均得分中达到21.39，优于Solaris的20.88和MineWorld的1.89，而Engine GT则高达91.69。尽管Gamma-World在多个能力上表现突出，但所有生成系统在状态持久性和结构一致性方面的得分均低于8.00，显示出显著的改进空间。
🎯 应用场景
该研究的潜在应用领域包括游戏开发、虚拟现实和增强现实等多玩家环境。通过提升多玩家世界模型的一致性和持久性，能够改善用户体验，推动更复杂的交互场景的实现，具有重要的实际价值和未来影响。
📄 摘要（原文）
Multiplayer world models must ensure that independently controlled views remain consistent with one shared and persistent world. We introduce MultiWorldBench, a diagnostic Minecraft benchmark containing 495 case configurations across seven task suites and ten capabilities, including independent control, cross-view motion, shared-state synchronization, persistence, structural reasoning, concurrent interaction, and delayed revisit. We evaluate Solaris, Gamma-World, and MineWorld, using Engine GT as a reference. Gamma-World achieves the highest ten-capability average among the generated systems at 21.39, followed by Solaris at 20.88 and MineWorld at 1.89, while Engine GT reaches 91.69. Gamma-World performs better on several control, shared-state, and revisit capabilities, whereas Solaris leads in cross-view motion and race-condition consistency. Nevertheless, all generated systems score at most 8.00 on state persistence and 1.33 on structural consistency, and none succeeds in spatial reasoning or building-identity preservation. Human preferences produce the same overall ranking and show strong alignment with the automatic evaluation, with a mean dimension-level Spearman correlation of 0.96. These results show that plausible individual views do not yet constitute a coherent multiplayer world.