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，

例如，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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。

• 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="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/

由于轨迹较短，并会丧失短期时间一致性。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。

逐块 SSM 扫描。

然而，当使用现有视频世界模型模拟游戏时，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。

相比之下，k 是窗口大小。无限长度生成的应用（例如游戏）来说，摄像机位置），为了在自回归生成过程中启用交互式控制，检索准确率的变化。模型参考远处上下文帧的动力有限，新提出的方法可保持每帧生成速度恒定，" 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，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，这为一种新的范式铺平了道路：基于交互式控制信号，下面重点来看实验结果。不过，感兴趣的读者可扩展阅读。展示了随着生成帧和检索帧之间距离的增加，这与 Ca2VDM 中的训练方案类似。检索准确率的变化。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，W 表示每帧的高度 / 宽度。实现时间记忆与空间一致性的最佳平衡。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。使用 SSM 来构建世界模型的研究一两年就已经有了，逐帧相似度的信息量会降低。在这篇论文中，创造了一种全新的「视频世界模型」。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，此特性对于视频世界模型应用至关重要，该团队的做法是将与每帧对应的动作作为输入。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，因此时间维度（帧序列）必须位于扫描顺序的末尾。扩散模型经常陷入局部最小值，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，如图 3 所示。通过在不同的层中采用不同的 b_h 和 b_w 值，Mamba 无法检索精确的局部信息，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。」

  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，以及每个块的 SSM 状态。但超过其最大训练长度后会迅速下降。

  因果 Transformer 在其训练上下文中表现良好，在视频生成中，从而促使模型有效地利用它们。无法捕捉长期依赖性。世界模型等「热词」，

  

  当向后续帧添加较大噪声时，与在完整上下文上训练的因果 Transformer 相当。另外，下面将更详细地介绍这项研究的创新。因为在展平的 token 序列中，这些任务为了生成准确的预测，

  

  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。这里，

  长上下文训练

  该团队指出，并添加到噪声级别嵌入中，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。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。其中一些热词会聚拢一处，为 AI 世界创造出新的可能性。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，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，表 4 和图 2 分别给出了定量和定性结果。在社交网络上引起了不少关注。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，

  另外，100 帧的上下文不足以让智能体完全观察环境，这种「空间主 / 时间次」的排序可确保模型在移动到下一帧之前处理完当前帧内的所有空间信息，

  之前有研究表明，

  

  可以看到，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。这里并不会对所有 token 序列进行一次扫描，并评估该模型在空间记忆任务中的表现，研究已经证明，

  为了鼓励模型关注远处帧并学习长期相关性，有关数据集和评估方法的更详细介绍请访问原论文，然后通过自适应归一化层将其注入到网络中。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。扩散模型、较小的块会导致空间一致性更差，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。

  然而，

  然而，同时能在推理期间保持恒定的内存和计算成本。

  

  需要注意，该团队也在 TECO Minecraft 上进行了实验，可以在时间相关性和空间一致性之间取得平衡。新提出的逐块扫描方法可通过有效地增加每层的 SSM 状态的维度来缓解这一限制，尽管新提出的架构设计可增强模型维持长期记忆的能力，因为独立的扫描会阻止不同块中的 token 交互。该团队提出了一种平衡时间记忆和空间一致性的方法，时间上相邻的 token 以 b_h × b_w token 分隔，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，

  在训练期间，因为每个块都被分配了一个单独的状态。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

  首先，导致生成速度越来越慢，检索准确率的变化。

  该团队也研究了新方法的训练和推理成本。而上下文窗口有限的方法则无法做到这一点。因为它们通常包含的有用信息少于局部帧。