PAWA：同时预测多人第一视角和全景世界
同伴走到背后以后，生成世界还能维持其状态与身份吗？
PAWA 先把Minecraft多人的行为记录与GPU渲染分开，再联合预测每个玩家的第一视角和固定世界朝向全景。两路模型以世界坐标中的观看方向对齐注意力，用旋转身份编码绑定玩家动作；采集可超过64人，但模型实测最高16人。
图解主要方法
同伴走到背后以后，生成世界还能维持其状态与身份吗？
- 1
先记录交互，再渲染成配对输入
CPU无图形客户端运行Rust脚本，记录服务器tick、动作、位置与姿态；GPU离线渲染同一相机原点的POV和等距柱状全景。全景朝向固定世界而非头部，服务器时钟对齐并修正三tick显示相位；记录可重复渲染深度或新相机轨迹。
- 2
双塔用同方向射线交换特征
图3两塔分别预测POV和全景，各28层、每4层交换一次，共7处。把POV像素通过相机内参和朝向变成世界射线，全景像素由经纬度得到射线，再转换为Q/K旋转相位。同一玩家同一时刻同方向相位差为零；这只是几何对应，不强制像素一致。
- 3
用可扩展身份码绑定动作与外观
玩家编码在m=11个相位平面中使用二次相位，预留零码后120个身份；同族正交、跨族相关幅度为1/√11。每例随机分配且随观察、动作与外观一起置换，跨时刻和投影保持同码；外观属性另编码，身份码本身不代表衣服或角色。
- 4
从联合流匹配蒸馏到因果生成
训练对小面积同伴区域加权，两塔共享噪声层级；随后使用块因果注意力与共享hub传递跨玩家信息。Self Forcing/DMD在自产轨迹上蒸馏，最终每块4步；训练最多16人且人数越多视频越短，不能从码本容量推断可实时模拟120人。
实验与证据
已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。
来源证据每人评239个预测帧，PAWA蒸馏版POV FVD138.1、LPIPS0.465，对Gamma-World蒸馏279.7、0.584。PAWA额外接收首帧全景；30条中6条还用于选checkpoint，排除这6条后排名不变。 30条双人交互、12秒、20Hz ↗
我的解读我的解读：提升不能全部归因于结构，额外输入与选择集重叠必须披露；不同原生预处理也影响像素指标。
来源证据同checkpoint同噪声禁用全部交互点，FVD138.1变179.0，LPIPS0.4648变0.5096。续训两分支3000步，有交互LPIPS0.455、无交互0.511；仅前2000步批次完全一致。 射线交叉注意力消融 ↗
我的解读我的解读：既有推理依赖也有续训证据，比单一注意力热图更强；续训末段仍有批次顺序混杂。
来源证据双人48次离开视野至少1秒后进入事件，同伴区域LPIPS0.582对最好基线0.654，配对差95%区间[-0.116,-0.023]。16人动作绑定率因果83%、蒸馏73%；长程同伴细节逐渐漂移。 遮挡回归、人数与长程退化 ↗
我的解读我的解读：方向与动作绑定改善不等于共享世界物理完全一致；64/128人记录、120身份码、16人生成是三种不同上限。
开放情况与使用许可
已核实pawa-pipeline有数据采集与渲染代码，代码Apache-2.0；Hugging Face存在视频和动作文件，数据卡CC BY-NC 4.0。游戏及第三方组件另有条款；当前核实的是数据管线与数据，不是完整世界模型训练代码和权重。 数据API可读取文件清单与许可元数据，但直接README端点本次返回401；未将元数据可见等同于完成整库下载验收。
LICENSE作者版权；arXiv非独占托管许可
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：离线可重渲染的数据管线与显式视角对齐，对多主体世界模型的可重复实验很有价值。
反方 · 哪些结论还不够
局限于Minecraft与短时段，双塔随人数计算迅速增加；全景与POV逐渐分歧，方向相位一致不保证遮挡、碰撞和共享实体状态正确。
综合判断
适合多主体视觉预测与视野外信息研究，不能直接当作大规模实时多人游戏模拟器或机器人世界模型。
我会先做的验证
未执行的验证方案：固定首帧可见信息和训练预算，比较只有POV、额外全景但无交互、完整双塔；在隐藏建造、破坏与碰撞后检查所有玩家共同实体一致性及每人数延迟。