第一人称世界模型根据智能体动作预测自身视角观察，现有工作大多只覆盖单个智能体。真实具身场景里，多个智能体往往在同一环境中行动并彼此交互。已有多主体世界模型仍主要依赖行走、相机控制或离散指令这类粗动作，细粒度具身交互仍被低估。ME-World 把任务改写成：在共享世界中，为多个通过细粒度动作交互的智能体，同步生成各自的自我视角视频流。
问题被重新定义成什么
多主体自我中心世界建模，不是把单人生成器复制多份。论文要求同步生成多路自我视角流，并同时满足跨视角动作一致、共享环境一致，以及交互引起的状态更新能被一致传播到各路观察。前两项约束的是同一世界与动作对齐；第三项约束交互后果：某一智能体的细粒度动作改变环境后，其他视角必须跟着更新。
方法怎么落地
ME-World 做了三处耦合。多路自我视角流被放进同一条 token 序列联合去噪，而不是各自独立采样。每一路生成都条件于全部智能体的目标视角姿态，让跨视角关系进入条件信号。共享环境记忆用来锚定生成，给各路观察一个共同的世界状态底座。训练和评测同时使用真实与合成多主体数据。作者还提出共享世界一致性指标，分别覆盖环境、更新和身份三项。实验称，相对现有方法，模型在共享世界一致性、动作控制、身份保持和视频质量上均有提升。摘要未给出分数、基线名称和数据规模，这里只记录方向。
我的判断
价值在于把多主体世界模型从粗动作推进到细粒度交互，并把一致性拆成环境、更新、身份三项可评测约束。对需要互看、互作用的具身协作和交互视频生成，这个定义比再堆一个单人世界模型更贴近真实场景。边界同样清楚：摘要只交代联合去噪、全员姿态条件和共享环境记忆，没有说明记忆读写、动作编码和智能体规模如何扩展。评测声称全面优于现有方法，但缺少可核对数字，提升幅度无法判断。它更像一份问题框架，而不是可直接部署的系统。