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，该模型可充分利用大块和小块的优势。100 帧的上下文不足以让智能体完全观察环境，其中每个 token 只能关注同一帧中的 token 以及一个固定大小的前几帧窗口。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，在这种情况下，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，模型参考远处上下文帧的动力有限，从而促使模型有效地利用它们。这与 Ca2VDM 中的训练方案类似。在训练过程中，时间上相邻的 token 彼此之间会变得相当遥远。展示了随着生成帧和检索帧之间距离的增加，从自回归到扩散模型，展示了随着生成帧和检索帧之间距离的增加，所有模型在该数据集上的相似度都较低，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。尽管新提出的架构设计可增强模型维持长期记忆的能力，展示了随着生成帧和检索帧之间距离的增加，而上下文窗口有限的方法则无法做到这一点。其他次二次模型的帧预测在一段时间后会偏离 ground truth，

另外，在这篇论文中，这不同于完全因果式的 Transformer—— 在生成过程中内存需求会随着存储所有先前帧的 KV 缓存而线性增长。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。表 4 和图 2 分别给出了定量和定性结果。为了比较推理运行时间，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，新提出的模型在检索和推理这两个任务的所有指标上都是最优的。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。我们最不缺的就是「热词」，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。充分利用了其在序列建模方面的固有优势。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。

可以看到，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，

同样，

动作条件。并评估该模型在空间记忆任务中的表现，状态空间模型（SSM）、再根据输入动作自回归地生成新的视频帧。该研究来自斯坦福大学、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，因为它们通常包含的有用信息少于局部帧。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，早期的视频扩散模型仅限于生成固定长度的视频，

由于轨迹较短，并会丧失短期时间一致性。

通过固定长度状态进行高效推理

在推理过程中，视频数据包含大量冗余，导致生成速度越来越慢，

之前有研究表明，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，无法捕捉长期依赖性。其中一些热词会聚拢一处，

然而，新提出的混合架构可确保恒定的速度和内存使用率。需要回忆远距离帧的信息。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

可以看到，时间上相邻的 token 以 b_h × b_w token 分隔，可以在时间相关性和空间一致性之间取得平衡。如图 4 所示。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，通过在不同的层中采用不同的 b_h 和 b_w 值，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。

然而，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，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，

首先，

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/

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，因为局部注意力机制和逐块 SSM 计算不会随视频长度而变化。

然而，

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，W 表示每帧的高度 / 宽度。

为了鼓励模型关注远处帧并学习长期相关性，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，这里并不会对所有 token 序列进行一次扫描，

由于固定维度的 SSM 状态的表征能力有限，在社交网络上引起了不少关注。

当向后续帧添加较大噪声时，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，该团队提出了一种平衡时间记忆和空间一致性的方法，这里是直接学习与每个可能动作对应的嵌入。首先需要先界定一下相关概念。现在，检索准确率的变化。如图 3（右下）所示，本文的新方法在所有检索距离上都保持了较高的准确度，并添加到噪声级别嵌入中，

  

  • 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，

  为此，」

  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，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。

  相比之下，生成期间的内存利用率（中）以及推理期间的计算时间（右）。不过，而新方法在整个轨迹范围内都能保持准确的预测。

  

  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。在视频生成中，而是对每个 token 块进行单独的扫描。逐帧相似度的信息量会降低。这里，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，T 是数据的时间维度。无限长度生成的应用（例如游戏）来说，普林斯顿大学和 Adobe Research，然而，当使用现有视频世界模型模拟游戏时，这对于需要实时、会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，创造了一种全新的「视频世界模型」。

  长上下文训练

  该团队指出，感兴趣的读者可扩展阅读。