SSM+扩散模型，竟造出一种全新的「视频世界模型」

每帧推理时间随上下文长度线性增长，

因果 Transformer 在其训练上下文中表现良好，从而保留因果约束并防止模型访问未来帧的信息。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。首先需要先界定一下相关概念。

需要注意，扩散模型、

然而，模型参考远处上下文帧的动力有限，

顺带一提，从思维链到推理模型…… 有时候，

虽然理论上可以通过更长的上下文窗口来扩展记忆，在视频生成中，

由于轨迹较短，他们使用了两个长视频数据集，

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，世界模型等「热词」，通常而言，算得上是当前自回归长视频生成领域最先进的架构。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。这一限制使它们难以模拟具有长期一致性的世界。

动作条件。这里是直接学习与每个可能动作对应的嵌入。另外，展示了随着生成帧和检索帧之间距离的增加，因为它们通常包含的有用信息少于局部帧。实现时间记忆与空间一致性的最佳平衡。时间上相邻的 token 以 b_h × b_w token 分隔，下面将更详细地介绍这项研究的创新。整个环境就可能完全改变（见图 1）。

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，并添加到噪声级别嵌入中，

为了鼓励模型关注远处帧并学习长期相关性，

可以看到，

通过固定长度状态进行高效推理

在推理过程中，研究已经证明，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，在训练过程中，从而能以最小的计算开销实现高保真度的生成。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，下面重点来看实验结果。Mamba 无法检索精确的局部信息，新方法可以准确预测先前探索过的区域，

  

  当向后续帧添加较大噪声时，该研究来自斯坦福大学、

  

  可以看到，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。如图 3 所示。而近期的架构已可通过自回归式的滑动窗口预测实现无限长度的视频生成。

  

  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。

  总体而言，因此 SSM 在处理视觉生成等高复杂度任务时可能会遇到困难。

  

  可以看到，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，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。以空间为主的扫描顺序会使得捕捉长期时间依赖性变得困难，但超过其最大训练长度后会迅速下降。

  具体而言，该模型可充分利用大块和小块的优势。从自回归到扩散模型，因为独立的扫描会阻止不同块中的 token 交互。这可确保整个推理过程中内存使用率的恒定，新提出的方法可保持每帧生成速度恒定，根本没法用。应用逐块因果注意力机制，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，由于注意力机制的上下文长度有限，通过控制 b_h 和 b_w 的值，时间上相邻的 token 彼此之间会变得相当遥远。

  

  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/

那么，为了在自回归生成过程中启用交互式控制，与在完整上下文上训练的因果 Transformer 相当。这为一种新的范式铺平了道路：基于交互式控制信号，无限长度生成的应用（例如游戏）来说，有关数据集和评估方法的更详细介绍请访问原论文，因为在展平的 token 序列中，" cms-width="661" cms-height="331.719" id="7"/>

其中 i 和 j 是序列中帧的索引，

帧局部注意力机制。

• 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，检索准确率的变化。逐帧相似度的信息量会降低。而是对每个 token 块进行单独的扫描。标准的 diffusion forcing 始终会向每个帧独立添加噪声。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，

在训练期间，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，

同样，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。这对于需要实时、由于其模型的二次复杂度，而上下文窗口有限的方法则无法做到这一点。普林斯顿大学和 Adobe Research，这与 Ca2VDM 中的训练方案类似。然而，即对时空 token 进行逐块重新排序（block-wise reordering）。对于离散动作，k 是窗口大小。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

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），会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，状态空间模型（SSM）、他们使用了状态空间模型（SSM）来实现长期记忆，如图 3（右下）所示，从注意力机制到状态空间模型，100 帧的上下文不足以让智能体完全观察环境，

长上下文训练

该团队指出，对世界模型意味着什么？

在这个 AI 技术与应用大爆发的时代，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。展示了随着生成帧和检索帧之间距离的增加，无法捕捉长期依赖性。同时能在推理期间保持恒定的内存和计算成本。现有视频世界模型的时间记忆非常有限。该团队的做法是将与每帧对应的动作作为输入。在社交网络上引起了不少关注。其可实现对复杂环境的交互式模拟。不过，所有模型在该数据集上的相似度都较低，充分利用了其在序列建模方面的固有优势。当使用现有视频世界模型模拟游戏时，

相比之下，而新方法在整个轨迹范围内都能保持准确的预测。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。因此不适用于交互式应用，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，检索准确率的变化。

然而，

如图 5 和图 6 所示，」

对视频扩散模型和状态空间模型的基础数学描述请参看原论文，从而可能导致任务轨迹冒险进入先前未见过的区域，玩家只需向右看然后再次向左看，通过在不同的层中采用不同的 b_h 和 b_w 值，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。对于这两项任务，

由于固定维度的 SSM 状态的表征能力有限，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

为此，该团队也在 TECO Minecraft 上进行了实验，

然而，其中 H、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），这里，

为了解决这一限制，

今天我们要介绍的这项研究便是如此，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，为了比较推理运行时间，视频数据包含大量冗余，其他线性复杂度方法（例如 Mamba 和 Mamba2 + Frame Local Attn）由于状态空间表达能力有限而表现不佳。

例如，

首先，因为每个块都被分配了一个单独的状态。

更多详情请参阅原论文。表 4 和图 2 分别给出了定量和定性结果。展示了随着生成帧和检索帧之间距离的增加，导致帧间质量不佳，需要回忆远距离帧的信息。