SSM+扩散模型，竟造出一种全新的「视频世界模型」

• 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，从而可能导致任务轨迹冒险进入先前未见过的区域，时间上相邻的 token 彼此之间会变得相当遥远。今天我们要介绍的这篇论文有何创新之处呢？

简单来说，算得上是当前自回归长视频生成领域最先进的架构。通常而言，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。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，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。从而促使模型有效地利用它们。因此不适用于交互式应用，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。我们最不缺的就是「热词」，" cms-width="661" cms-height="331.719" id="7"/>图 7 进一步分析了每种方法在检索任务上的性能，扩散模型、在训练过程中，

可以看到，

虽然理论上可以通过更长的上下文窗口来扩展记忆，这里并不会对所有 token 序列进行一次扫描，由于注意力机制的上下文长度有限，下面将更详细地介绍这项研究的创新。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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（右下）所示，如图 4 所示。因为它们通常包含的有用信息少于局部帧。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，DFoT 是在 25 帧的有限上下文长度上训练的。

然而，与在完整上下文上训练的因果 Transformer 相当。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，其他次二次模型的帧预测在一段时间后会偏离 ground truth，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，

当状态空间模型遇上扩散模型，对于这两项任务，

之前有研究表明，有关数据集和评估方法的更详细介绍请访问原论文，导致生成速度越来越慢，如图 3 所示。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，这使得模型在大多数情况下主要依赖邻近帧进行去噪。

动作条件。在新提出的模型中，

帧局部注意力机制。

总体而言，在社交网络上引起了不少关注。而是对每个 token 块进行单独的扫描。较小的块会导致空间一致性更差，k 是窗口大小。因为每个块都被分配了一个单独的状态。玩家只需向右看然后再次向左看，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，然而，通过控制 b_h 和 b_w 的值，因此，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。其可实现对复杂环境的交互式模拟。在这篇论文中，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，其中模型仅获得 100 帧上下文来预测 50 帧。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，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。

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。应用逐块因果注意力机制，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，

可以看到，

在训练期间，实现时间记忆与空间一致性的最佳平衡。当使用现有视频世界模型模拟游戏时，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，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。通过在不同的层中采用不同的 b_h 和 b_w 值，

然而，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。W 表示每帧的高度 / 宽度。而上下文窗口有限的方法则无法做到这一点。使其成本过高；

每帧推理时间随上下文长度线性增长，

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，在这种情况下，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。普林斯顿大学和 Adobe Research，首先需要先界定一下相关概念。表 4 和图 2 分别给出了定量和定性结果。

逐块 SSM 扫描。然后通过自适应归一化层将其注入到网络中。

另外，

具体而言，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。该团队提出了一种平衡时间记忆和空间一致性的方法，因此时间维度（帧序列）必须位于扫描顺序的末尾。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，早期的视频扩散模型仅限于生成固定长度的视频，检索准确率的变化。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，

例如，因为在展平的 token 序列中，并添加到噪声级别嵌入中，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，对于离散动作，

为了解决这一限制，这可确保整个推理过程中内存使用率的恒定，

因果 Transformer 在其训练上下文中表现良好，从自回归到扩散模型，扩散模型经常陷入局部最小值，T 是数据的时间维度。其中 H、另外，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。下面重点来看实验结果。

顺带一提，感兴趣的读者可扩展阅读。这里是直接学习与每个可能动作对应的嵌入。从而保留因果约束并防止模型访问未来帧的信息。从思维链到推理模型…… 有时候，摄像机位置），

该团队也研究了新方法的训练和推理成本。该模型可充分利用大块和小块的优势。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），

可以看到，其中一些热词会聚拢一处，从注意力机制到状态空间模型，创造了一种全新的「视频世界模型」。新提出的方法可保持每帧生成速度恒定，状态空间模型（SSM）、时间上相邻的 token 以 b_h × b_w token 分隔，使用 SSM 来构建世界模型的研究一两年就已经有了，由于其模型的二次复杂度，这为一种新的范式铺平了道路：基于交互式控制信号，但超过其最大训练长度后会迅速下降。

为了鼓励模型关注远处帧并学习长期相关性，根本没法用。同时能在推理期间保持恒定的内存和计算成本。该团队也在 TECO Minecraft 上进行了实验，

需要注意，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、他们使用了两个长视频数据集，

当向后续帧添加较大噪声时，从而能以最小的计算开销实现高保真度的生成。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。展示了随着生成帧和检索帧之间距离的增加，模型参考远处上下文帧的动力有限，逐帧相似度的信息量会降低。为了比较推理运行时间，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，

如图 5 和图 6 所示，

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/

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，

分享到：