标签
OverSeer 提出了一种多智能体世界模型，通过固定辅助摄像机视角作为以世界为中心的表征来增强智能体的第一人称视角，并使用 delta-VAE 进行压缩以减少 token 计算量，在 Minecraft 和 Doom 中展现出更好的一致性。