难的不是造一个世界，是让十个人看见同一个世界（腾讯 ARC × 港大开源 Multics）
腾讯 ARC 与港大开源多人一致性世界模型 Multics：难点不在造世界，而在让多人看见同一个世界。
一个人做梦很容易。
两个人做同一个梦，就难了。
过去一年，视频世界模型最常见的演示是这样的：给它一张图，一段动作，它替你"想象"接下来的画面。你往前走，它生成前面的路。你转头，它补上身后的墙。
看起来很神奇。
但它有一个默认前提：这个世界里只有你。
这周开源的 Multics，挑战的就是这个前提。
单人世界的陷阱
大多数人看世界模型，看的是画面好不好看。
清不清晰。动作顺不顺。光影真不真。
这些当然重要。
但如果你想做游戏、做仿真，真正卡脖子的问题不是画面，是一致性。
想一想多人场景里会发生什么：
- 玩家 A 看见左边有一扇门
- 玩家 B 站在门的另一侧
- 玩家 B 的画面里，必须出现同一扇门，而且是从背面看过去的样子
- 玩家 A 开枪，玩家 B 那边得听到、看到、有反应
单人世界模型不用管这些。它只需要对一个视角负责。
多人世界模型要对所有视角同时负责。
这是两种完全不同的问题。
Multics 做了什么
据项目页和论文介绍，Multics 的作者来自香港大学和腾讯 IEG ARC Lab，通讯作者是 Wangbo Yu 和 Xihui Liu。论文是 arXiv 2610.17201，代码采用 Apache-2.0 许可，权重放在 Hugging Face 的 TencentARC/Multics 下。
它的输入是这些：
- 每个玩家的初始视角（首帧）
- 一段文本提示
- 每个玩家的动作和相机轨迹
输出是：同一个环境里，每个玩家各自的第一人称视频。
每个人的视角各自可控。
看到的东西又互相一致。
据项目页介绍，训练用的数据集是 OpenCS2。项目页列出的操作方式是 WASD 移动、空格跳、Shift 走、Ctrl 蹲、R 换弹、E 交互，鼠标控制视角。熟悉射击游戏的人，一眼就能认出这套键位。
真正的问题：谁跟谁说话
想让十个人看见同一个世界，最直接的办法是什么？
让每个人都跟其他所有人交换信息。
这叫全连接通信。
问题在于它太贵了。
我自己算一笔账：如果每两个玩家之间都要通信，4 个人是 6 对关系，10 个人是 45 对关系。人数涨了 2.5 倍，关系数涨了 7.5 倍。这是我按两两配对的组合数算的，不是论文里的数字，但它能说明为什么全连接走不远。
另一个办法是集中式：所有人都把信息交给一个中心，中心再分发。
省了配对，却多了一个瓶颈。
Multics 选了第三条路。
据论文和项目页介绍，它用的是分层通信：玩家 → 组 → 全局，三级。
而且分组不是固定的。它会按最近的相机轨迹动态分组。
换句话说，离得近、看得到彼此的人，先在小组里对齐。小组之间，再在全局层面对齐。
不是每个人都需要跟每个人说话。他们只需要跟相关的人说话。
这句话是我的概括，不是论文原文。
但它就是分层通信的核心直觉。
数字怎么说
据项目页公布的数据，在 10 个玩家的设置下，相比全连接通信：
- DiT 延迟降低 61.9%
- 自注意力延迟降低 78.1%
- 自注意力 FLOPs 降低 86.1%
论文称在 4 人和 6 人设置下达到 SOTA，对比对象包括 Solaris（全连接）和 γ-World（集中式）。
这些都是作者方自己公布的结果。
还有一个细节，比数字更有意思。
据论文介绍，组 token 是参数共享的。所以用 4 个人训练出来的 checkpoint，不用重新训练，就能直接推理 6 人、8 人、10 人。
训练时见过 4 个人。
推理时能撑到 10 个人。
这意味着规模扩展的成本，没有和人数一起线性上涨。这是我的推断，论文的表述是"不用重训即可推理更多玩家"。
先别急着打开游戏
现在要泼一点冷水。
Multics 的定位是研究级的视频生成，不是一个实时可玩的 FPS。
你不能下载下来，叫上九个朋友，开一局。
据项目仓库介绍，运行要求是：
- Linux
- Python 3.12
- NVIDIA GPU
- CUDA 12.8
下载完整推理包的命令是：
hf download TencentARC/Multics --local-dir models
训练用的是 8 卡脚本。
推理包有多大？第三方站点 ArtRealmAI 称约 29.9GB，其中主 DiT 约 15.68GB。这是第三方数据，不是官方公布的数字，下载前最好自己确认。
还有一件事要说清楚：它的底座是 Wan 系列视频模型。但具体是哪一个版本，官方表述不一致。项目仓库的 README 和 Hugging Face 页面写的版本不同，所以这里只写"基于 Wan"。
它也确实刚放出来。据 GitHub API，仓库建于 2026 年 10 月 12 日，目前 58 颗星，HF 页面 7 个赞。第三方 ArtRealmAI 称仓库在 10 月 14 日上午转为公开。
如果你在做游戏或仿真
别把它当成一个产品。
把它当成一个信号。
1) 先换问题
如果你还在问"画面够不够好"，你在问单人世界的问题。
多人世界的问题是："两个视角看到的东西，能不能对得上"。
问题换了，评价标准就要换。
2) 看结构，不只看分数
61.9%、78.1%、86.1% 这几个数字会被反复转发。
但真正值得带走的，是分层加动态分组这个结构。它回答的是一个更普遍的问题：当参与者变多，信息该怎么流动。
这个问题不只存在于世界模型里。多 Agent 协作、多人协同编辑，都会碰到。这是我的引申，不是论文的结论。
3) 用研究的心态去读
它是研究代码。
先读论文。再看项目页的多视角网格。有 GPU 条件的话，再跑推理。
别期待开箱即玩。
4) 分清"开源"的哪一部分
据项目仓库介绍，代码采用 Apache-2.0。
但代码、权重、底座模型、训练数据，往往各有各的条款。
底座是 Wan 系列，数据集是 OpenCS2。
如果你想把它用进自己的项目，别只看代码的许可证。
把权重页、底座模型和数据集的条款，一起看一遍。
这一条是我的建议，不是项目方的说明。
5) 盯住下一步
4 人训练、10 人推理，是现在的边界。
研究级、非实时，也是现在的边界。
真正值得关注的问题是：
- 分层通信能不能撑到更多人
- 生成速度能不能接近可交互
- 一致性在更长的视频里能不能保持
这三个问题，论文和项目页目前没有给出答案。
它们是我列的观察清单。
谁先回答，谁就离"多人共享的世界"更近一步。
最后
单人世界模型证明了一件事：机器可以想象一个世界。
Multics 在试图证明另一件事：机器可以让很多人共享同一个想象。
前者是生成。
后者是协调。
而协调，从来都比生成更难。
来源：GitHub：TencentARC/Multics；项目页；论文；Hugging Face 权重；ArtRealmAI。约 29.9GB、15.68GB 与公开日期来自第三方 ArtRealmAI；组合数为作者自算；许可建议为作者观点。