现有面向交互式视频生成的世界模型，主要集中于单智能体场景，即仅依据单一控制信号来生成未来观测结果。然而，许多需要生成的虚拟环境本质上是多智能体交互的：多个玩家、机器人或具身智能体需在同一共享空间中同步行动。将世界模型扩展至此类多智能体场景，亟需一套系统化、原理清晰的多智能体建模框架：各智能体须保持独立可控性，整体架构应对智能体排列顺序保持对称性（即置换不变性），同时兼顾高效推理能力，并在时间维度与视角维度上维持行为一致性。本文提出一种面向交互式仿真的生成式多智能体世界模型。该模型引入“单纯形旋转智能体编码”（Simplex Rotary Agent Encoding）——这是一种无需额外参数的三维旋转位置编码（3D RoPE）扩展方法，其将各智能体映射为旋转角空间中一个正则单纯形（regular simplex）的顶点。该设计既赋予每个智能体独特的相位特征，又保证所有智能体在数学上完全可互换（permutation-equivalent），从而在不依赖可学习的槽位专属标识（per-slot identities）或预设智能体固定排序的前提下，实现可扩展的智能体身份表征。为避免智能体间采用计算开销高昂的全连接注意力机制（all-to-all attention），我们进一步提出“稀疏中心注意力”（Sparse Hub Attention）：通过引入若干可学习的中心令牌（hub tokens）作为跨智能体信息交互的中介，将智能体间注意力的计算复杂度由智能体数量的平方级（quadratic）降至线性级（linear）。针对实时视频推演需求，我们还采用知识蒸馏策略，将具备完整上下文感知能力的扩散模型教师网络（full-context diffusion teacher）蒸馏为因果式学生网络（causal student）；该学生网络以时序块（temporal blocks）为单位逐块生成视频，并结合键值缓存（KV caching）机制，最终实现在24帧/秒（FPS）下的动作响应式视频生成。在多人虚拟环境中的实验表明，相较于基于槽位（slot-based）和全连接注意力（dense-attention）的基线方法，本模型在视频保真度、动作可控性以及智能体间行为一致性三方面均取得显著提升；更值得注意的是，模型在仅用双人数据训练的情况下，可无缝泛化至四人场景，无需任何额外训练。
