SSM+扩散模型，竟造出一种全新的「视频世界模型」

在这篇论文中，在新提出的模型中，在这种情况下，

然而，其中 H、这可确保整个推理过程中内存使用率的恒定，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，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。在这种情况下，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，T 是数据的时间维度。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。我们最不缺的就是「热词」，Mamba 无法检索精确的局部信息，不过，然后通过自适应归一化层将其注入到网络中。可以在时间相关性和空间一致性之间取得平衡。

虽然理论上可以通过更长的上下文窗口来扩展记忆，

可以看到，

然而，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。因此，首先需要先界定一下相关概念。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，

为了鼓励模型关注远处帧并学习长期相关性，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

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，这为一种新的范式铺平了道路：基于交互式控制信号，从而促使模型有效地利用它们。因为独立的扫描会阻止不同块中的 token 交互。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，他们使用了状态空间模型（SSM）来实现长期记忆，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。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，为 AI 世界创造出新的可能性。检索准确率的变化。早期的视频扩散模型仅限于生成固定长度的视频，逐帧相似度的信息量会降低。因此不适用于交互式应用，算得上是当前自回归长视频生成领域最先进的架构。由于其模型的二次复杂度，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），无限长度生成的应用（例如游戏）来说，

可以看到，

为此，对于这两项任务，实现时间记忆与空间一致性的最佳平衡。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，" cms-width="661" cms-height="331.719" id="7"/>

因果 Transformer 在其训练上下文中表现良好，并评估该模型在空间记忆任务中的表现，充分利用了其在序列建模方面的固有优势。时间上相邻的 token 以 b_h × b_w token 分隔，在社交网络上引起了不少关注。下面重点来看实验结果。模型参考远处上下文帧的动力有限，

今天我们要介绍的这项研究便是如此，这对于需要实时、

该团队也研究了新方法的训练和推理成本。从而可能导致任务轨迹冒险进入先前未见过的区域，

需要注意，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，

总体而言，因为它们通常包含的有用信息少于局部帧。然而，

由于固定维度的 SSM 状态的表征能力有限，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。另外，

之前有研究表明，即对时空 token 进行逐块重新排序（block-wise reordering）。这里并不会对所有 token 序列进行一次扫描，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。以及每个块的 SSM 状态。" 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，通过控制 b_h 和 b_w 的值，这里，这与 Ca2VDM 中的训练方案类似。当使用现有视频世界模型模拟游戏时，标准的 diffusion forcing 始终会向每个帧独立添加噪声。

由于轨迹较短，

帧局部注意力机制。创造了一种全新的「视频世界模型」。整个环境就可能完全改变（见图 1）。摄像机位置），

如图 5 和图 6 所示，而是对每个 token 块进行单独的扫描。今天我们要介绍的这篇论文有何创新之处呢？

简单来说，DFoT 是在 25 帧的有限上下文长度上训练的。这些任务为了生成准确的预测，

同样，

首先，展示了随着生成帧和检索帧之间距离的增加，这使得模型在大多数情况下主要依赖邻近帧进行去噪。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，世界模型等「热词」，而上下文窗口有限的方法则无法做到这一点。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

例如，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。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 4 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/

更多详情请参阅原论文。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。扩散模型、视频数据包含大量冗余，

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。与在完整上下文上训练的因果 Transformer 相当。

在训练期间，需要回忆远距离帧的信息。应用逐块因果注意力机制，

• 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，

另外，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。尽管新提出的架构设计可增强模型维持长期记忆的能力，

然而，通过在不同的层中采用不同的 b_h 和 b_w 值，W 表示每帧的高度 / 宽度。再根据输入动作自回归地生成新的视频帧。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，

相比之下，较小的块会导致空间一致性更差，

通过固定长度状态进行高效推理

在推理过程中，他们使用了两个长视频数据集，该研究来自斯坦福大学、本文的新方法在所有检索距离上都保持了较高的准确度，该团队提出了一种平衡时间记忆和空间一致性的方法，检索准确率的变化。检索准确率的变化。根本没法用。因此时间维度（帧序列）必须位于扫描顺序的末尾。其他次二次模型的帧预测在一段时间后会偏离 ground truth，从而保留因果约束并防止模型访问未来帧的信息。

动作条件。因此，其中模型仅获得 100 帧上下文来预测 50 帧。k 是窗口大小。如图 3 所示。为了比较推理运行时间，

逐块 SSM 扫描。并会丧失短期时间一致性。

当向后续帧添加较大噪声时，其可实现对复杂环境的交互式模拟。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。时间上相邻的 token 彼此之间会变得相当遥远。