OverSeer：超越智能体所见的多智能体世界模型

OverSeer 通过为每个智能体的第一人称视角增加空间固定的辅助相机视角，提升多智能体世界模型在时间与智能体之间的一致性。这些辅助视角用 delta-VAE 仅编码相对静态参考图像的变化，显著减少处理所需 token 数与生成计算开销。在 Minecraft 和 Doom 上的实验显示世界与智能体一致性均有提升，真实多相机拍摄的定性结果说明该方法不依赖游戏引擎。