MultiWorldBench: Do Independently Controlled Views Describe One Shared World?
作者: Zhangbo Xu, Ruoxi Zhang, Rui Hu, Yisong Wang, Xitong Li
分类: cs.AI, cs.CV
发布日期: 2026-10-08 (更新: 2026-10-09)
备注: 31 pages, 17 figures, 3 tables
💡 一句话要点
提出MultiWorldBench以评估多视角一致性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 多玩家模型 一致性评估 Minecraft基准 共享状态 视角控制 结构一致性 状态持久性
📋 核心要点
- 核心问题：现有的多玩家世界模型在独立视角之间缺乏一致性，导致无法形成一个共享的持久世界。
- 方法要点：提出MultiWorldBench基准，通过495个案例配置评估不同系统在多视角一致性方面的表现。
- 实验或效果：Gamma-World在十种能力的平均得分上领先，但在状态持久性和结构一致性方面表现不佳。
📝 摘要（中文）
多玩家世界模型必须确保独立控制的视角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、跨视角运动、共享状态同步等。通过对Solaris、Gamma-World和MineWorld的评估，发现Gamma-World在多个能力上表现最佳，但在状态持久性和结构一致性方面仍存在显著不足。这些结果表明，尽管个体视角看似合理，但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环境中独立视角之间的一致性问题。现有方法在处理共享状态和持久性方面存在显著不足，导致玩家体验不佳。
核心思路：提出MultiWorldBench基准，通过系统化的测试案例评估不同多玩家世界模型的能力，确保各视角之间的一致性和共享状态的同步。
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、跨视角运动、共享状态同步等十种能力。评估过程中，使用Engine GT作为基准进行对比。
关键创新：最重要的创新在于通过多样化的案例配置系统性地评估多玩家世界模型的能力，尤其是在共享状态和持久性方面的表现。与现有方法相比，提供了更全面的评估标准。
关键设计：在实验中，Gamma-World在多个能力上表现最佳，得分为21.39，Solaris和MineWorld分别为20.88和1.89。所有系统在状态持久性和结构一致性方面得分均低于8.00，显示出设计中的不足。实验还表明，人类偏好与自动评估结果高度一致，Spearman相关系数达到0.96。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Gamma-World在十种能力的平均得分为21.39，领先于Solaris的20.88和MineWorld的1.89，而基准Engine GT的得分高达91.69。尽管Gamma-World在多个能力上表现优异，但在状态持久性和结构一致性方面仍存在显著不足，所有系统的得分均未超过8.00。
🎯 应用场景
该研究的潜在应用领域包括游戏开发、虚拟现实和多用户在线环境等。通过提升多玩家世界模型的一致性和共享性，可以显著改善用户体验，推动相关技术的发展与应用。未来，该基准测试可能成为评估多玩家环境中视角一致性的标准工具。
📄 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.