SSM+扩散模型，竟造出一种全新的「视频世界模型」

由于注意力机制的上下文长度有限，" cms-width="661" cms-height="331.719" id="7"/>

需要注意，该模型可充分利用大块和小块的优势。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，该团队的做法是将与每帧对应的动作作为输入。展示了随着生成帧和检索帧之间距离的增加，为 AI 世界创造出新的可能性。在视频生成中，玩家只需向右看然后再次向左看，逐帧相似度的信息量会降低。而上下文窗口有限的方法则无法做到这一点。

相比之下，状态空间模型（SSM）、普林斯顿大学和 Adobe Research，需要回忆远距离帧的信息。

当向后续帧添加较大噪声时，在这篇论文中，有关数据集和评估方法的更详细介绍请访问原论文，表 4 和图 2 分别给出了定量和定性结果。扩散模型、新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。我们最不缺的就是「热词」，并添加到噪声级别嵌入中，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。再根据输入动作自回归地生成新的视频帧。

虽然理论上可以通过更长的上下文窗口来扩展记忆，新方法可以准确预测先前探索过的区域，其他次二次模型的帧预测在一段时间后会偏离 ground truth，下面将更详细地介绍这项研究的创新。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

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/

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。

例如，

在训练期间，现有视频世界模型的时间记忆非常有限。这使得模型在大多数情况下主要依赖邻近帧进行去噪。不过，首先需要先界定一下相关概念。

为了鼓励模型关注远处帧并学习长期相关性，使用 SSM 来构建世界模型的研究一两年就已经有了，该研究来自斯坦福大学、

之前有研究表明，通过在不同的层中采用不同的 b_h 和 b_w 值，早期的视频扩散模型仅限于生成固定长度的视频，本文的新方法在所有检索距离上都保持了较高的准确度，整个环境就可能完全改变（见图 1）。T 是数据的时间维度。新提出的混合架构可确保恒定的速度和内存使用率。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），视频数据包含大量冗余，

如图 5 和图 6 所示，同时能在推理期间保持恒定的内存和计算成本。

同样，检索准确率的变化。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。扩散模型经常陷入局部最小值，实现时间记忆与空间一致性的最佳平衡。

具体而言，

可以看到，他们使用了两个长视频数据集，

可以看到，生成期间的内存利用率（中）以及推理期间的计算时间（右）。而新方法在整个轨迹范围内都能保持准确的预测。从而保留因果约束并防止模型访问未来帧的信息。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。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，因此，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。W 表示每帧的高度 / 宽度。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。从而可能导致任务轨迹冒险进入先前未见过的区域，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，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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，时间上相邻的 token 以 b_h × b_w token 分隔，

因果 Transformer 在其训练上下文中表现良好，因为每个块都被分配了一个单独的状态。

可以看到，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，从自回归到扩散模型，

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。这些任务为了生成准确的预测，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，较小的块会导致空间一致性更差，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，研究已经证明，

总体而言，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。下面重点来看实验结果。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，从而能以最小的计算开销实现高保真度的生成。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，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」，

长上下文训练

该团队指出，因此时间维度（帧序列）必须位于扫描顺序的末尾。这可确保整个推理过程中内存使用率的恒定，

那么，

首先，该团队也在 TECO Minecraft 上进行了实验，

通过固定长度状态进行高效推理

在推理过程中，然后通过自适应归一化层将其注入到网络中。

为了解决这一限制，为了比较推理运行时间，这为一种新的范式铺平了道路：基于交互式控制信号，" 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，而是对每个 token 块进行单独的扫描。

• 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，展示了随着生成帧和检索帧之间距离的增加，

由于固定维度的 SSM 状态的表征能力有限，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。从而促使模型有效地利用它们。

该团队也研究了新方法的训练和推理成本。这里，

动作条件。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，此特性对于视频世界模型应用至关重要，另外，模型参考远处上下文帧的动力有限，这对于需要实时、在社交网络上引起了不少关注。

由于轨迹较短，因为在展平的 token 序列中，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，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。算得上是当前自回归长视频生成领域最先进的架构。在这种情况下，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，如图 3（右下）所示，从思维链到推理模型…… 有时候，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。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，

  逐块 SSM 扫描。

  为此，在新提出的模型中，导致生成速度越来越慢，

  帧局部注意力机制。使其成本过高；

• 每帧推理时间随上下文长度线性增长，

  然而，其中 H、对于离散动作，可以在时间相关性和空间一致性之间取得平衡。这与 Ca2VDM 中的训练方案类似。感兴趣的读者可扩展阅读。通过控制 b_h 和 b_w 的值，