Agora-2: Mô hình Thế giới Có thể Chơi được của Odyssey chạy 20 người tham gia trên bốn GPU

Agora-2 đặt hai mươi người tham gia vào một mô phỏng và gọi đó là bản xem trước nghiên cứu có thể chơi được. Odyssey công bố nó vào ngày 21 tháng 9 năm 2026 trong một bài đăng có tiêu đề "Introducing Agora-2: Advancing Multi-Agent World Simulation," do Oliver Cameron ký tên, và con số được lan truyền là hai mươi. Con số thực sự quan trọng là sự phân chia bên trong nó. Một phiên hỗ trợ tối đa bốn người điều khiển là con người cùng lúc cùng với mười sáu thực thể tự trị, và đó không phải là cùng một kiểu người tham gia — bốn người gõ lệnh di chuyển, mười sáu chính sách thực thi chúng. Odyssey tự huấn luyện các chính sách, trên các màn chơi của một trò chơi mà nó cũng dùng để huấn luyện: bài báo nói rằng thế giới được học từ các bản ghi hình Diablo II.

Sự phân biệt giữa người tham gia được điều khiển và người tham gia được mô phỏng chính là nơi gần như mọi thứ thú vị về Agora-2 nằm ở đó. Đó cũng là nơi hầu hết các bài đưa tin sẽ trở nên mờ nhòe, bởi vì “20 người chơi” là một câu gọn gàng hơn “bốn người chơi và mười sáu tác nhân đã học cùng chia sẻ một trạng thái tồn tại ngoài màn hình”. Thứ Odyssey đang tung ra không phải là một trình tạo video được gắn thêm tính năng nhiều người chơi. Nó gần giống một máy chủ trò chơi mà vật lý, hoạt họa và kết xuất đều đã được thay bằng các thành phần được học, và nguồn nội dung thực sự duy nhất của nó là một tập dữ liệu các ván chơi được ghi lại.

Hai mươi người tham gia là bốn người và mười sáu hợp đồng bảo hiểm.

Odyssey nói rõ rằng Agora-2 hỗ trợ số lượng người tham gia gấp năm lần so với Agora-1 và rằng nó đã chuyển từ việc mô phỏng một môi trường duy nhất sang mô phỏng nhiều môi trường với hành vi có tầm xa hơn. Hình dạng của từng phiên trông như thế này:

• Người điều khiển — tối đa 4 cùng lúc, mỗi người cung cấp đầu vào di chuyển và hành động

• Thực thể tự trị — 16 mỗi phiên, được điều khiển bởi các chính sách quái vật và bạn đồng hành đã được học thay vì bởi người chơi

• Tổng số người tham gia — 20 trong một trạng thái thế giới chung, đây là con số mà Odyssey nhấn mạnh

• Môi trường — nhiều, tăng từ một môi trường duy nhất mà Agora-1 có thể mô phỏng

• Cơ sở nội dung — các bản ghi Diablo II, nên thế giới, tài nguyên và các quy tắc đều được kế thừa từ một kho dữ liệu đã ghi lại

• Hình thức phát hành — một bản xem trước nghiên cứu có thể chơi được, không phải sản phẩm, không có trọng số, không có giấy phép và không có giá

Mười sáu tác nhân tự trị không phải là đồ trang trí. Báo cáo của Odyssey mô tả việc huấn luyện riêng các chính sách cho quái vật và bạn đồng hành, và các con số đánh giá rất cụ thể: 23,771 ví dụ chính sách quái vật ở giai đoạn cuối được lấy từ một giáo viên nền tảng cùng dữ liệu phục hồi và duy trì, và 128,005 ví dụ cho chính sách bạn đồng hành, được chấm điểm dựa trên 252 tập đánh giá và 24 trường hợp đánh giá tương ứng. Chính những chính sách đó khiến một phiên chơi bốn người trở nên đông đúc. Chúng cũng là lý do số lượng người tham gia là một lựa chọn thiết kế chứ không phải một tuyên bố về năng lực — mười sáu là số tác nhân mà máy chủ thế giới được huấn luyện để vận hành cùng bốn người chơi, chứ không phải số lượng mà nó có thể chứa đựng về mặt lý thuyết.

Kiến trúc là một mô hình nhỏ và một mô hình lớn

Agora-2 tách biệt thứ quyết định điều gì sẽ xảy ra khỏi thứ quyết định nó trông như thế nào, và khoảng cách kích thước giữa chúng là con số gây ấn tượng mạnh nhất trong bài báo. Mô hình mô phỏng có 4.457.777 tham số — khoảng 4,46 triệu, bốn lớp theo chiều rộng, độ rộng 256, bốn đầu, cửa sổ lịch sử bốn bước, mười bốn nhánh chuyển động và một đầu riêng cho hướng mặt. Bộ render là một transformer flow-matching khoảng một tỷ tham số, mười sáu khối ở độ rộng 2.048, năm trong số đó mang attention thời gian nhân quả, chạy năm bước solver mỗi lần cập nhật.

Bộ kết xuất được điều kiện hóa trên tiền tố 342 token thay vì trên thế giới thô:

• Bản đồ — 144 token, một lưới ô cục bộ 12×12 xung quanh điểm nhìn

• Thực thể — 36 token, bốn token dành cho những người tham gia do người dùng kiểm soát và 32 token cho các slot thực thể khác

• Hiệu ứng tạm thời — 160 token cho các hiệu ứng không thuộc map cũng không thuộc entity

• Xem và danh sách — mỗi cái một token cho hành động camera và danh sách phiên

• Mỗi lần cập nhật — 300 token hình ảnh chú ý đến 342 token điều kiện đó

• Codec — một latent dựa trên RAE tại 2 khung hình thành 15×20×32, sau đó x264 CRF 18 hoặc NVENC QP 18 ở đầu ra

Odyssey nêu lý do việc điều kiện hóa được cấu trúc theo cách này: một thế giới đã học cần giữ các thuộc tính thực thể trong một trạng thái tồn tại lâu hơn bất kỳ camera cụ thể nào. Bài viết nói thẳng điều đó — vì các thuộc tính thực thể được giữ lại độc lập với bất kỳ khung nhìn cụ thể nào, chúng vẫn sẵn có khi một thực thể nằm ngoài khung hình. Đó là câu phân biệt Agora-2 với một mô hình video. Một bộ sinh chỉ điều kiện hóa dựa trên các khung hình gần đây sẽ đánh mất con quái vật ngay khi bạn quay đi khỏi nó; một mô hình thế giới giữ trạng thái tường minh thì không.

Bốn GPU

Kế hoạch phục vụ trong báo cáo là phần ít được công bố nhất của Agora-2 và hữu ích nhất cho bất kỳ ai đang ước tính chi phí cho một thế giới như thế này. Cấu hình của Odyssey cho một phiên bốn người chơi là bốn card NVIDIA RTX PRO 4500: một renderer cho mỗi GPU, trong đó một trong các GPU đó cũng chạy mô hình mô phỏng và chính sách agent. Các mục tiêu được nêu là mười lăm cập nhật latent mỗi giây với ba mươi khung hình hiển thị mỗi giây.

Hai con số trong phần phụ lục cụ thể hóa cấu hình đó. Ở mức 165 watt, nhóm đã đo được mức giảm thời gian suy luận 9,9% nhờ một thay đổi ở renderer — từ 62,92 mili giây xuống 56,69 mili giây qua 3.200 lần gọi cho mỗi bản triển khai. Và quá trình huấn luyện renderer cũng cụ thể không kém: sáu mươi nghìn cập nhật trên 4.232.000 phân đoạn, tiếp theo là sáu mươi nghìn cập nhật nữa trên 4.332.800 phân đoạn, AdamW với tốc độ học 1e-4, batch 128, EMA 0,9999, chạy trên 32 GPU B200. Kho ngữ liệu đó được liệt kê chi tiết — 1.200.000 phân đoạn chiến đấu toàn đội hình, 2.016.000 phân đoạn kỹ năng đặc biệt được phân tầng, 504.000 phân đoạn băng qua xác chết, 512.000 phân đoạn di chuyển không có thực thể tự trị, và 100.800 phân đoạn vòng đời cổng boss.

Đọc hai đoạn đó cùng nhau thì hình dạng của sản phẩm đã hiện rõ. Phần renderer là nửa đắt đỏ hơn, gấp ba bậc độ lớn về số lượng tham số, một GPU cho mỗi người xem đồng thời trong khâu phục vụ, và ba mươi hai chiếc B200 trong khâu huấn luyện. Mô hình mô phỏng — phần thực sự quyết định điều gì xảy ra trong thế giới — chỉ có bốn triệu rưỡi tham số, tức là còn nhỏ hơn cả hầu hết các bảng embedding. Agora-2 là một bài toán render khoác lên mình bộ cánh của một engine trò chơi.

Những con số được công bố, và một điều mà chúng không cho thấy

Các kết quả định lượng trong báo cáo, theo cách diễn đạt của chính Odyssey, là những thử nghiệm ablation đối với các lựa chọn thiết kế của chính mình chứ không phải là điểm benchmark mang tính cạnh tranh, và chúng nên được đọc theo cách đó:

• Tiền tố có cấu trúc so với đường cơ sở VAE — sai số bình phương trung bình 0,001279 và PSNR 30,11 dB so với 0,010272 và 20,67 dB, mức tăng 9,44 dB, qua 90 đánh giá theo cặp từ 30 clip và 3 seed

• Attention của renderer — 20,09 mili giây mỗi lần cập nhật denoiser hai khung với tiền tố có cấu trúc so với 37,06 với cross-attention và 18,82 với AdaLN gộp, giảm 45,8% ở denoiser và 34,1% ở phần lõi

• Dropout lịch sử ở mức 50% — lỗi streaming 0,05695 và lỗi cold-start 0,19535 so với 0,06041 và 0,21082 khi không dropout, với độ trung thực nhiễu loạn bản đồ hơi kém hơn

• Độ chính xác mô phỏng — 85,17% đối với dự đoán nhánh chuyển động, 68,17% trên tập hợp con ví dụ bị chặn khó hơn, và 95,84% ở chế độ hoạt ảnh, với các lần chuyển chế độ được dự đoán ở mức 7,49% so với 3,54% được ghi nhận

Mỗi một con số trong số đó đều được đo đối chiếu với một cấu hình khác của Agora-2. Không con số nào là so sánh với một hệ thống đã phát hành, và không con số nào mô tả quá trình chơi trực tiếp. Mục 8 của báo cáo thẳng thắn nói về khoảng cách này. Việc chuyển sang tài nguyên, luật lệ hoặc môi trường mới vẫn chưa được kiểm thử. Các lỗi tích lũy dần. Các hình ảnh được tạo độc lập vẫn có thể không khớp với nhau về diện mạo, khả năng hiển thị hoặc thời điểm xảy ra sự kiện. Và câu đáng được trích dẫn nguyên văn: tốc độ khung hình duy trì và độ trễ từ đầu vào đến hiển thị trong quá trình tương tác trực tiếp giữa nhiều tác nhân vẫn chưa được đánh giá định lượng. Mười lăm cập nhật mỗi giây và ba mươi khung hình mỗi giây ở trên là mục tiêu, không phải kết quả đo.

Vị trí của bản xem trước và những gì nó không bao gồm

Bản xem trước có thể chơi nằm trên trang web riêng của Odyssey, truy cập qua địa chỉ demo agora.odyssey.ml, địa chỉ này chuyển hướng đến agora.odyssey.systems. Báo cáo kỹ thuật là tệp PDF được liên kết từ cùng thông báo đó. Điều không được công bố cũng đáng chú ý không kém điều được công bố: không có trọng số mô hình, không có kho mã, không có giấy phép, không có API suy luận và không có giá. Odyssey mô tả bản phát hành này là bản xem trước nghiên cứu và coi quỹ đạo hướng tới tương tác đa tác nhân bên trong các mô hình thế giới nền tảng của mình là công việc tương lai, với PROWL được nêu là hướng nghiên cứu mà họ đang mở rộng và Odyssey-3 được gọi tên là đích đến cuối cùng.

Điều đó quan trọng với bất kỳ ai đang có kế hoạch xây dựng dựa trên Agora-2, bởi vì câu trả lời thực tế ngày nay là bạn không thể — không phải thông qua chúng tôi và cũng không phải thông qua endpoint được lưu trữ của bất kỳ ai khác. OrcaRouter không phục vụ Agora-2, Agora-1 hay Odyssey-3; những tuyến model đó không tồn tại trong danh mục của chúng tôi. Điều nền tảng của chúng tôi thực sự cung cấp là phần còn lại của một hệ thống xây dựng có thể nằm xung quanh một thế giới đã học: một endpoint duy nhất bao phủ hơn 200 model, được định giá theo giá niêm yết của từng nhà cung cấp với mức markup bằng không, vì vậy khi một nhà cung cấp giảm giá, thay đổi sẽ được cập nhật trực tiếp tại đây trong cùng ngày, và một lớp định tuyến tự động chuyển đổi dự phòng yêu cầu khi một nhà cung cấp bị suy giảm. Nếu cuối cùng bạn dùng một model để tạo bố cục màn chơi, viết mã chính sách hoặc thêm chú thích cho phần chơi đã ghi lại, thì đó là phần mà chúng tôi thực sự có thể hỗ trợ.

Xem gì

Agora-2 là một kết quả thực tế đi kèm một lưu ý thực tế, và hai điều này rất dễ bị nhầm lẫn. Kết quả là một thế giới dùng chung, bền vững, đa môi trường có thể được mô phỏng và kết xuất cho hai mươi người tham gia từ một kho dữ liệu các phiên chơi đã ghi lại, và rằng Odyssey có thể chỉ ra những quyết định thiết kế cụ thể — trạng thái tường minh, một tiền tố điều kiện có cấu trúc, một mô hình mô phỏng nhỏ — đã giúp nó hoạt động. Lưu ý là mục 8 của chính bài báo liệt kê độ trễ trực tiếp, tốc độ khung hình duy trì, chuyển giao giữa các môi trường và tích lũy lỗi là chưa được đánh giá. Cho đến khi ai đó công bố một bản ghi tốc độ khung hình từ một phiên chơi bốn người thực tế, tóm tắt trung thực là Agora-2 chứng minh kiến trúc và để trải nghiệm đó chưa được đo lường.

Điều thứ hai cần chú ý là hướng phát triển. Cách Odyssey tự định khung đặt Agora-2 như một bước trên lộ trình đưa tương tác đa tác nhân vào bên trong một mô hình thế giới nền tảng, với PROWL là bước mở rộng nghiên cứu và Odyssey-3 là mục tiêu được nêu tên. Nếu điều đó xảy ra, câu hỏi thú vị sẽ không còn là liệu một mô hình thế giới có thể mang hai mươi người tham gia hay không, mà trở thành liệu một mô hình thế giới có thể đưa họ vào một thế giới mà nó chưa từng được huấn luyện hay không — đây chính xác là câu hỏi chuyển giao mà báo cáo hiện tại từ chối trả lời.