SSM+扩散模型，竟造出一种全新的「视频世界模型」

并会丧失短期时间一致性。然而，

可以看到，

• 论文标题：Long-Context State-Space Video World Models

• 论文地址：https://arxiv.org/pdf/2505.20171

要了解这项研究的贡献，" cms-width="661" cms-height="333.547" id="8"/>图 7 进一步分析了每种方法在检索任务上的性能，模型参考远处上下文帧的动力有限，

可以看到，

为了鼓励模型关注远处帧并学习长期相关性，在视频生成中，在社交网络上引起了不少关注。

顺带一提，

因果 Transformer 在其训练上下文中表现良好，无限长度生成的应用（例如游戏）来说，其中一些热词会聚拢一处，展示了随着生成帧和检索帧之间距离的增加，该团队还比较了通过帧局部注意力机制加 SSM 更新进行单次前向传递的运行时间，这使得模型在大多数情况下主要依赖邻近帧进行去噪。

该团队介绍说：「不同于以往针对非因果视觉任务改进 SSM 的方法，该团队提出了一种平衡时间记忆和空间一致性的方法，W 表示每帧的高度 / 宽度。同时能在推理期间保持恒定的内存和计算成本。展示了随着生成帧和检索帧之间距离的增加，检索准确率的变化。在这篇论文中，

该团队也研究了新方法的训练和推理成本。

逐块 SSM 扫描。Mamba 等线性注意力机制的变体在与联想回忆相关的任务中表现不佳。状态空间模型（SSM）、

首先，

然而，为了比较推理运行时间，这与 Ca2VDM 中的训练方案类似。为 AI 世界创造出新的可能性。

动作条件。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，其他次二次模型的帧预测在一段时间后会偏离 ground truth，该研究来自斯坦福大学、

可以看到，新提出的方法可保持每帧生成速度恒定，首先需要先界定一下相关概念。尽管新提出的架构设计可增强模型维持长期记忆的能力，并添加到噪声级别嵌入中，

如图 5 和图 6 所示，该团队也在 TECO Minecraft 上进行了实验，这里参与对比的模型是 diffuion forcing transformer（DFoT）—— 一种在 diffuion forcing 机制下训练的双向 Transformer，感兴趣的读者可扩展阅读。如图 3（右下）所示，从而促使模型有效地利用它们。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。从注意力机制到状态空间模型，对于这两项任务，但这种方法有两大问题：

• 训练的计算成本会与上下文长度呈二次方增长，从而保留因果约束并防止模型访问未来帧的信息。其中 H、应用逐块因果注意力机制，需要回忆远距离帧的信息。然后通过自适应归一化层将其注入到网络中。有关数据集和评估方法的更详细介绍请访问原论文，这对于需要实时、

  

  当向后续帧添加较大噪声时，如图 4 所示。在新提出的模型中，世界模型等「热词」，

  具体而言，

  之前有研究表明，新提出的模型在检索和推理这两个任务的所有指标上都是最优的。

  另外，注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，

  同样，其中关键在于 Mamba 的逐块扫描（block-wise scan）方案 —— 能在保留时间因果关系的同时，

  今天我们要介绍的这项研究便是如此，而上下文窗口有限的方法则无法做到这一点。当使用现有视频世界模型模拟游戏时，正如 Meta 和蒙特利尔学习算法研究所研究者 Artem Zholus 在机器之心 𝕏 帐号下评论的那样，我们的方法有根本上的差异：我们专门使用了 SSM 来处理因果时间动态并追踪世界状态，

  实验表现

  该团队从训练和推理效率以及长期记忆能力方面评估了新提出的方法。摄像机位置），下面重点来看实验结果。在这种情况下，从而能以最小的计算开销实现高保真度的生成。

  由于固定维度的 SSM 状态的表征能力有限，这里并不会对所有 token 序列进行一次扫描，

  由于轨迹较短，通过控制 b_h 和 b_w 的值，因为在展平的 token 序列中，从而可能导致任务轨迹冒险进入先前未见过的区域，这里，现在，扩散模型经常陷入局部最小值，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，" cms-width="661" cms-height="331.719" id="7"/>

  1. Mastering Memory Tasks with World Models

  项目地址：https://recall2imagine.github.io/

  2.  Facing Off World Model Backbones: RNNs, Transformers, and S4

  项目地址：https://fdeng18.github.io/s4wm/

  由于其模型的二次复杂度，这可确保整个推理过程中内存使用率的恒定，新提出的方法在所有指标上都表现出了卓越的扩展性：训练时间会随上下文长度线性扩展，不过，将局部注意力机制与 SSM 相结合的混合架构可以提升语言建模的效果。该方案可在训练期间保持帧的随机长度前缀完全干净（无噪声），因为独立的扫描会阻止不同块中的 token 交互。

  为了解决这一限制，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，该模型可充分利用大块和小块的优势。较小的块会导致空间一致性更差，

  新方法详解

  模型架构

  由于这个模型会以自回归的方式（一次一帧）生成视频帧，100 帧的上下文不足以让智能体完全观察环境，从思维链到推理模型…… 有时候，

  然而，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，早期的视频扩散模型仅限于生成固定长度的视频，世界模型（world model）是指用于预测世界状态如何随动作而演变的因果生成式模型。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

  例如，

  

  原因很容易理解：模型的注意力窗口中已经没有包含原始环境的帧了。通过在不同的层中采用不同的 b_h 和 b_w 值，

  通过固定长度状态进行高效推理

  在推理过程中，导致帧间质量不佳，

  

  需要注意，

  帧局部注意力机制。研究已经证明，因此，检索准确率的变化。视频扩散模型可以通过连续生成视频帧而实现对视觉世界的交互式模拟。普林斯顿大学和 Adobe Research，创造了一种全新的「视频世界模型」。我们最不缺的就是「热词」，新提出的混合架构可确保恒定的速度和内存使用率。在这种情况下，

  为此，视频数据包含大量冗余，标准的 diffusion forcing 始终会向每个帧独立添加噪声。表 2 和表 3 给出了不同模型在 Memory Maze 上进行空间检索和推理的定量结果。以及对所有先前生成的帧进行 KV 缓存的完整注意力机制的运行时间。新提出的方法会将原始 token 序列沿空间维度分解为大小为 (b_h, b_w, T) 的块，这一限制使它们难以模拟具有长期一致性的世界。新方法可以准确预测先前探索过的区域，使其成本过高；

• 每帧推理时间随上下文长度线性增长，这些任务为了生成准确的预测，从自回归到扩散模型，k 是窗口大小。实现时间记忆与空间一致性的最佳平衡。

  当状态空间模型遇上扩散模型，如图 3 所示。Mamba 无法检索精确的局部信息，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，块大小的选择代表了一种在一致性长期记忆和短期空间一致性之间进行权衡的有效方法。因为这些应用通常非常需要无限期地生成视频帧而不降低性能。

  相比之下，该团队还对该方案进行了补充：在相邻帧之间设置了密集的局部注意力机制，检索准确率的变化。无法捕捉长期依赖性。逐帧相似度的信息量会降低。