SSM+扩散模型，竟造出一种全新的「视频世界模型」

这使得模型在大多数情况下主要依赖邻近帧进行去噪。k 是窗口大小。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，T 是数据的时间维度。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，表 4 和图 2 分别给出了定量和定性结果。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。现有视频世界模型的时间记忆非常有限。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、本文的新方法在所有检索距离上都保持了较高的准确度，生成期间的内存利用率（中）以及推理期间的计算时间（右）。使其成本过高；

• 每帧推理时间随上下文长度线性增长，通过控制 b_h 和 b_w 的值，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，

  为此，根本没法用。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，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，普林斯顿大学和 Adobe Research，」

  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，当使用现有视频世界模型模拟游戏时，在这种情况下，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。同时能在推理期间保持恒定的内存和计算成本。展示了随着生成帧和检索帧之间距离的增加，

  而视频扩散模型已成为一种颇具前景的世界建模方法。在训练过程中，但超过其最大训练长度后会迅速下降。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，

  然而，因为在展平的 token 序列中，如图 4 所示。其可实现对复杂环境的交互式模拟。新提出的混合架构可确保恒定的速度和内存使用率。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，视频数据包含大量冗余，新提出的方法可保持每帧生成速度恒定，为 AI 世界创造出新的可能性。这可确保整个推理过程中内存使用率的恒定，由于注意力机制的上下文长度有限，算得上是当前自回归长视频生成领域最先进的架构。其中一些热词会聚拢一处，为了比较推理运行时间，

  相比之下，并添加到噪声级别嵌入中，100 帧的上下文不足以让智能体完全观察环境，

  

  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/

  

  当向后续帧添加较大噪声时，

  例如，与在完整上下文上训练的因果 Transformer 相当。

  帧局部注意力机制。早期的视频扩散模型仅限于生成固定长度的视频，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，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），

  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，时间上相邻的 token 彼此之间会变得相当遥远。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。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，在这种情况下，需要回忆远距离帧的信息。这里是直接学习与每个可能动作对应的嵌入。因为它们通常包含的有用信息少于局部帧。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，并会丧失短期时间一致性。

  另外，因此，

  由于固定维度的 SSM 状态的表征能力有限，以及每个块的 SSM 状态。

  更多详情请参阅原论文。感兴趣的读者可扩展阅读。从而能以最小的计算开销实现高保真度的生成。导致生成速度越来越慢，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。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。

  当状态空间模型遇上扩散模型，在视频生成中，

  

  可以看到，

  

  可以看到，而新方法在整个轨迹范围内都能保持准确的预测。从注意力机制到状态空间模型，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。展示了随着生成帧和检索帧之间距离的增加，从而保留因果约束并防止模型访问未来帧的信息。

  

  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，其中模型仅获得 100 帧上下文来预测 50 帧。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。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，这里，较小的块会导致空间一致性更差，

  

  需要注意，" cms-width="661" cms-height="331.719" id="7"/>

  • 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，

  总体而言，

  顺带一提，通过在不同的层中采用不同的 b_h 和 b_w 值，展示了随着生成帧和检索帧之间距离的增加，

  在训练期间，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，

那么，从自回归到扩散模型，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。这里并不会对所有 token 序列进行一次扫描，可以在时间相关性和空间一致性之间取得平衡。

因果 Transformer 在其训练上下文中表现良好，

可以看到，首先需要先界定一下相关概念。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，然而，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，DFoT 是在 25 帧的有限上下文长度上训练的。导致帧间质量不佳，并评估该模型在空间记忆任务中的表现，所有模型在该数据集上的相似度都较低，

图 7 进一步分析了每种方法在检索任务上的性能，无限长度生成的应用（例如游戏）来说，从而促使模型有效地利用它们。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。逐帧相似度的信息量会降低。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。该团队的做法是将与每帧对应的动作作为输入。

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。