港大联合腾讯发布 Multics 多玩家世界模型，分层通信架构大幅削减模型算力开销

多玩家交互式世界模型在多人虚拟场景、多智能体仿真、多人同步视频生成场景下，长期面临两大痛点：全连接注意力带来平方级算力暴涨，全局共享表征引发无关事件互相干扰。香港大学与腾讯联合研发的 Multics 多玩家世界模型，创新搭建玩家 — 群组 — 全局三层分层通信架构，借助群组中间令牌隔离局部交互与全局信息互通，配合预算约束下的动态分组策略，把注意力计算开销从平方级压缩至近线性级别，同时保证多玩家视角一致性、角色可控性与抗干扰能力，模型只需要在 4 人场景下完成训练，就能直接泛化到 6 人、8 人、10 人推理场景，无需重新微调模型参数，从架构层面解决多人世界模型算力不可控、扩展性差的技术难题。

一、传统多玩家世界模型的算力瓶颈根源

1. 全连接交互带来 O (N²) 计算复杂度 以 Solaris 这类模型为代表，采用玩家 token 两两互联的全连接自注意力机制。随着玩家数量 N 增加，计算量呈平方增长；当玩家从 4 人扩容到 8 人，注意力计算量直接扩大 16 倍，GPU 显存占用与推理延迟急剧攀升，很难实现大规模多人场景实时生成。
2. 中心化全局表征造成信息串扰 γ-World 这类中心化方案将所有玩家信息合并到单一全局 token 里，近距离玩家交互信息、远距离无关事件信息互相混杂，画面容易出现逻辑冲突、视角不一致，强行过滤噪声又会额外增加计算分支，进一步抬高算力成本。
3. 固定分组无法适配动态场景 静态分组方案提前划定玩家组别，一旦玩家在虚拟环境里移动、相机轨迹发生变化，分组关系失效，只能维持固定人数场景，无法灵活扩展，同时每组都要单独训练参数，模型参数量持续膨胀。

二、Multics 三层分层通信架构核心技术设计

（一）三层信息交互拓扑（玩家层→群组层→全局层）

Multics 在自注意力网络中新增群组令牌作为中间表征，搭建三级信息传递链路，彻底切断无关玩家之间的直接交互：

1. 玩家层：每个玩家独立生成专属视觉 token 与动作 token，只把自身观测信息向上传递，不与其他玩家直接交互；
2. 群组层：引入可共享参数的群组 token，自动聚合同组内玩家的局部信息，只完成组内信息互通，跨组玩家不产生直接 token 交互；
3. 全局层：仅由群组 token 向全局 token 传递跨组信息，全局只负责同步大环境信息，不介入小组内部的局部事件。 整个通信拓扑只保留组内交互 + 组间全局中转，大量减少无效 token 两两匹配，直接砍掉绝大多数冗余注意力计算。

（二）参数共享机制，避免分组带来参数量膨胀

所有群组插槽共用同一套群组 token 网络参数，不会为每一个分组单独新增可学习权重。无论分成 3 组还是 5 组，通信模块参数量保持不变，模型整体体量不会随着玩家人数、分组数量上升而变大，兼顾扩展性与轻量化。

（三）预算约束动态分组算法，进一步压缩无效算力消耗

Multics 基于玩家实时相机轨迹、空间距离做动态分组，同时设置算力预算上限 Cmax：

1. 先根据总玩家数量自动算出最大分组数量 M、单组容纳人数上限 K；
2. 优先把空间位置邻近、存在交互行为的玩家划入同一群组；
3. 超出算力预算的玩家不再参与组内通信，仅通过全局 token 同步环境信息，杜绝无意义的跨玩家计算。 这套动态分组策略保证算力开销始终被严格锁定在预设预算内，不会随场景复杂度无节制上涨。

三、分层架构削减算力开销的量化效果

表格

从实测数据来看，在 4 人、6 人标准测试场景下，Multics 的自注意力计算量相比全连接方案降低 75% 以上；扩展到 10 人多人场景，推理显存占用仅提升 18%，远低于传统方案的显存增幅；同时跨玩家画面一致性指标、动作可控性指标优于前代模型，实现算力降本与生成质量双向提升。

四、Multics 模型完整落地实施流程

第一步：基础模型初始化，基于视频生成扩散模型搭建多玩家基础网络，预留玩家 token、群组 token、全局 token 三级嵌入通道；

第二步：接入分层通信注意力模块，搭建组内聚合、跨组全局中转的信息传递链路，开启群组参数共享，控制模型总参数量；

第三步：嵌入预算约束动态分组模块，读取玩家相机轨迹与空间坐标，实时优化分组策略，把整体算力开销约束在预设上限；

第四步：在 4 人多人视频数据集上完成模型训练，不使用 6 人以上数据做额外训练；

第五步：直接开展 6~10 人多人场景推理，验证多视角画面同步效果，同时监测 GPU 算力占用、推理延迟，持续优化分组阈值；

第六步：模型轻量化迭代，对注意力稀疏分支做剪枝，进一步降低端侧设备的推理门槛，适配虚拟仿真、多人数字孪生场景。

五、分层通信架构解决算力问题的底层逻辑

1. 稀疏化交互链路：把全连接两两交互改成 “组内互通 + 全局中转” 的稀疏拓扑，从根源上减少 token 之间的匹配数量，把平方级计算开销压缩为近线性开销；
2. 局部信息隔离：依靠群组令牌把局部事件限制在小组内部，远距离无关玩家不产生信息混合，省去全局表征降噪带来的额外算力开销；
3. 动态算力调度：借助带预算约束的分组策略，只给高关联玩家分配通信算力，低关联玩家仅保留全局弱连接，实现算力按需分配，杜绝资源浪费；
4. 无参数增量扩展：依靠群组参数共享，模型不需要为更多玩家新增权重，仅调整分组规则即可实现人数扩容，避免模型越来越大、推理越来越慢。

【相关 FAQ】

问题 1：港大与腾讯联合推出的 Multics 多玩家世界模型，依靠分层通信架构把算力开销降到了什么水平？

回答 1：Multics 依靠玩家 — 群组 — 全局三层分层通信架构，将注意力计算复杂度从传统全连接方案的 O (N²) 降至近线性级别；在 8 玩家测试场景下，整体算力开销仅为全连接模型的 11%；模型从 4 人场景向 10 人场景扩展时，显存占用仅小幅上涨，不会出现算力暴涨的问题，大幅降低多人视频生成与多智能体仿真的硬件成本。

问题 2：Multics 分层通信架构里的群组令牌，是如何进一步降低无效算力消耗的？

回答 2：群组令牌作为中间层级表征，只聚合同组邻近玩家的局部信息，跨组玩家不会产生直接 token 交互，切断了远距离无关玩家之间的冗余计算；同时所有群组插槽共用同一套网络参数，分组数量增加也不会带来参数量膨胀；再配合基于相机轨迹的预算约束动态分组，只对高关联玩家开放组内通信，把无效算力开销压缩到最低限度。

问题 3：Multics 多玩家世界模型在算力优化之外，还解决了多玩家场景的哪些技术问题？

回答 3：除了降低算力开销，分层通信架构还隔离了局部事件与全局环境信息，有效避免中心化全局表征带来的多玩家画面互相干扰；同时模型支持 4 人训练直接泛化到 6~10 人推理，无需重新训练；并且保留了每个玩家独立的动作与相机可控性，保证多人视角画面高度同步，兼顾算力效率与生成质量。

问题 4：Multics 的动态分组机制是如何保障算力始终不超出预算上限的？

回答 4：Multics 先根据总玩家数量计算出分组上限与单组人数上限，同时设置整体算力预算 Cmax；系统会优先将空间邻近、存在交互行为的玩家划入同一群组，仅为高关联性交互分配算力；未进入群组的玩家只通过全局 token 同步环境信息，不再参与组内通信，严格把整体计算开销锁定在预设算力预算之内，避免场景复杂度上升带来算力失控。

【数据来源】

[2026-10-12]（Multics: Generative Multi-Player World Model with Hierarchical Communication）arXiv 预印本论文

[2026-10-14]（Multics 分层通信架构实现多人世界模型算力优化）CCTest AI 技术专栏

[2026-10-23]（港大腾讯联合发布 Multics 多玩家世界模型）机器之心

[2026-10-23]（分层注意力大幅降低多智能体世界模型推理成本）新智元

[2026-10-17]（多玩家世界模型从 O (N²) 降到近线性计算）AI 前线

免责声明

本文技术参数、算力测试数据均来自 Multics 公开学术论文与行业科技媒体公开报道；模型算力降幅、推理延迟会受硬件配置、玩家数量、场景复杂度影响而产生浮动；分层通信架构与动态分组算法的落地效果取决于工程实现与场景调优；本文仅为技术方案科普，不构成项目研发、算力采购与模型商用的决策依据。