OverSeer 用固定辅助摄像头解决多智能体世界模型一致性难题

OverSeer 提出在多智能体视频世界模型中加入空间固定的辅助摄像头，作为以世界为中心的表征代理，弥补智能体第一人称视野外的世界状态遗忘。它用 delta-VAE 只编码相对静态参考图的变化，大幅压缩辅助视角 token 数、降低计算开销。在 Minecraft 和 Doom 实验中世界与智能体一致性均改善。