Modelos de mundo multiplayer con estado compartido autoritativo para simulación consistente | Cómo sincronizar las predicciones de múltiples agentes en un mismo entorno usando una única fuente de verdad | Arquitectura de world models para videojuegos, simulación multiagente y entrenamiento de RL en mundos compartidos

Abstract

PROBLEMA: Los modelos de mundo aprendidos generan predicciones de futuros estados que divergen rápidamente cuando participan múltiples agentes o usuarios, porque cada réplica del modelo mantiene su propia representación latente y no existe una fuente de verdad compartida; esto limita su uso en simulación multiplayer, videojuegos interactivos y planificación multiagente, donde la coherencia entre observadores es crítica. SOLUCIÓN: MASS (Multiplayer World Models with Authoritative Shared State) propone un modelo de mundo con estado compartido autoritativo: un estado global validado y sincronizado entre los participantes actúa como única referencia para las predicciones de todos los agentes, garantizando consistencia temporal y coherencia entre réplicas incluso en horizontes de simulación largos. METODOLOGÍA: Se diseña una arquitectura con un módulo de estado compartido que integra las observaciones de los distintos agentes; un protocolo de actualización mantiene la autoridad del estado y su monotonicidad; el modelo se entrena con datos de entornos interactivos multiagente y se evalúa con métricas de consistencia, divergencia entre réplicas y precisión de predicción de escenarios futuros, comparando contra world models single-player estándar. RESULTADOS: MASS reduce significativamente la divergencia entre réplicas frente a los baselines de un solo agente y mantiene estados coherentes en horizontes temporales largos; las métricas de consistencia mejoran sin sacrificar la calidad de generación de escenarios futuros, y la sincronización añade un coste computacional moderado. RELEVANCIA: Aporta una base arquitectónica para modelos de mundo escalables y multiagente, esenciales para simulación de entornos compartidos, entrenamiento de reinforcement learning, videojuegos interactivos y sistemas de agentes que deben coordinarse en un mismo mundo físico o virtual.