Agora-1 : Modèle de monde multi-agent open source pour simulation partagée en temps réel

Odyssey a publié Agora-1, le premier modèle du monde multi-agent qui permet à plusieurs participants — humains ou IA — de partager et d'interagir dans la même simulation générée en temps réel. Le modèle prend en charge jusqu'à quatre joueurs dans une simulation de deathmatch partagée, où chaque pixel est généré par le modèle en temps réel, fonctionnant comme un moteur de jeu appris.
Architecture : simulation et rendu découplés
Agora-1 sépare le modèle du monde en deux composants appris distincts :
- Modèle de simulation : entraîné sur l'état interne du jeu (par exemple, GoldenEye), il apprend la dynamique du gameplay et comment les transitions d'état se produisent à partir des actions des joueurs.
- Modèle de rendu : un modèle du monde basé sur DiT, conditionné par l'état de jeu partagé (et non par des invites ou des images) pour générer des représentations visuelles cohérentes depuis plusieurs points de vue simultanément.
Ce découplage est analogue à un moteur de jeu moderne, mais les deux composants sont entièrement appris à partir de données. Le modèle manipule directement l'état sous-jacent du jeu, permettant de générer des niveaux entièrement nouveaux tout en préservant la dynamique du gameplay.
Capacités clés
- Jusqu'à 4 participants simultanés dans une simulation partagée.
- Streaming de pixels en temps réel généré par Agora-1.
- L'état du monde partagé suit la santé, la position et d'autres attributs des agents.
- Peut générer des niveaux inédits cohérents avec la dynamique du jeu source.
Comparaison avec les travaux précédents
Les approches antérieures comme Multiverse concatènent les états des agents en une seule représentation, tandis que Solaris empile les participants le long de la dimension de séquence (ne s'adaptant pas linéairement au nombre de joueurs). Les deux peinent à maintenir la cohérence lorsque les joueurs se perdent de vue. L'approche découplée d'Agora-1 évite ces limitations.
Cas d'utilisation
Odyssey cible des applications dans les jeux vidéo, la robotique, la défense, l'éducation et la formation de modèles fondamentaux. L'architecture peut être étendue pour gérer des simulations et des représentations d'état de plus en plus complexes, au-delà de GoldenEye.
📖 Lire la source complète : HN AI Agents
👀 See Also

Modifications du Plan Individuel GitHub Copilot : Inscriptions suspendues, limites renforcées, ajustements du modèle
GitHub suspend temporairement les nouvelles inscriptions pour les plans Copilot Pro, Pro+ et Étudiant tout en resserrant les limites d'utilisation et en retirant les modèles Opus des plans Pro. Ces changements répondent à l'augmentation des besoins en calcul des workflows agentiques.

Altman et Amodei reviennent sur leurs prédictions d'apocalypse de l'emploi liée à l'IA avant les introductions en bourse
Sam Altman d'OpenAI et Dario Amodei d'Anthropic admettent désormais s'être trompés sur la suppression des emplois de bureau par l'IA, alors que leurs entreprises visent des introductions en bourse à 1 000 milliards de dollars. Le PDG de Goldman Sachs, David Solomon, affirme avoir eu raison depuis le début.

L'utilisation de l'IA dans le développement atteint 93 %, mais les gains de productivité stagnent à 10 %.
L'utilisation d'assistants de codage IA est répandue parmi les développeurs, avec 93 % d'entre eux les adoptant. Cependant, le gain de productivité reste limité à seulement 10 %.

Ångstrom a utilisé Claude Code pour entraîner un modèle qui a battu l'UMA-OMC de Meta — 100 000 tâches GPU sur des instances spot
Ångstrom (YC S24) a entraîné CSP-MACE-Å, un modèle ML 10 000 fois plus rapide que la DFT avec une précision équivalente, surpassant UMA-OMC de Meta dans la prédiction de structures cristallines. Ils ont utilisé Claude Code pour orchestrer 100 000 jobs GPU sur des instances spot multi-cloud via l'interface Anycloud.