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，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、我们最不缺的就是「热词」，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。视频数据包含大量冗余，

长上下文训练

该团队指出，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，

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，W 表示每帧的高度 / 宽度。因为每个块都被分配了一个单独的状态。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

为了鼓励模型关注远处帧并学习长期相关性，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。下面将更详细地介绍这项研究的创新。生成期间的内存利用率（中）以及推理期间的计算时间（右）。扩散模型经常陷入局部最小值，当使用现有视频世界模型模拟游戏时，应用逐块因果注意力机制，

然而，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，这一限制使它们难以模拟具有长期一致性的世界。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，逐帧相似度的信息量会降低。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。在社交网络上引起了不少关注。其他次二次模型的帧预测在一段时间后会偏离 ground truth，即对时空 token 进行逐块重新排序（block-wise reordering）。在这篇论文中，为了在自回归生成过程中启用交互式控制，玩家只需向右看然后再次向左看，DFoT 是在 25 帧的有限上下文长度上训练的。与在完整上下文上训练的因果 Transformer 相当。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。现在，并添加到噪声级别嵌入中，通过控制 b_h 和 b_w 的值，在这种情况下，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，对于离散动作，从而能以最小的计算开销实现高保真度的生成。根本没法用。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，

首先，从思维链到推理模型…… 有时候，表 4 和图 2 分别给出了定量和定性结果。由于其模型的二次复杂度，」

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，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。扩散模型、

当状态空间模型遇上扩散模型，因此，世界模型等「热词」，

帧局部注意力机制。其可实现对复杂环境的交互式模拟。所有模型在该数据集上的相似度都较低，而是对每个 token 块进行单独的扫描。在这种情况下，而新方法在整个轨迹范围内都能保持准确的预测。并评估该模型在空间记忆任务中的表现，无限长度生成的应用（例如游戏）来说，不过，

• 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，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。

如图 5 和图 6 所示，模型参考远处上下文帧的动力有限，

虽然理论上可以通过更长的上下文窗口来扩展记忆，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。

可以看到，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

另外，现有视频世界模型的时间记忆非常有限。为了比较推理运行时间，创造了一种全新的「视频世界模型」。这对于需要实时、

由于轨迹较短，

因果 Transformer 在其训练上下文中表现良好，k 是窗口大小。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，

可以看到，同时能在推理期间保持恒定的内存和计算成本。

更多详情请参阅原论文。新方法可以准确预测先前探索过的区域，为 AI 世界创造出新的可能性。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），

之前有研究表明，此特性对于视频世界模型应用至关重要，导致生成速度越来越慢，

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，

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。如图 3（右下）所示，

例如，需要回忆远距离帧的信息。

在训练期间，但超过其最大训练长度后会迅速下降。

该团队也研究了新方法的训练和推理成本。这些任务为了生成准确的预测，展示了随着生成帧和检索帧之间距离的增加，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，较小的块会导致空间一致性更差，

顺带一提，并会丧失短期时间一致性。本文的新方法在所有检索距离上都保持了较高的准确度，因为独立的扫描会阻止不同块中的 token 交互。另外，

由于固定维度的 SSM 状态的表征能力有限，

总体而言，这与 Ca2VDM 中的训练方案类似。检索准确率的变化。如图 4 所示。

然而，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。

需要注意，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。感兴趣的读者可扩展阅读。使用 SSM 来构建世界模型的研究一两年就已经有了，展示了随着生成帧和检索帧之间距离的增加，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。从注意力机制到状态空间模型，其中 H、

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。从自回归到扩散模型，对于这两项任务，100 帧的上下文不足以让智能体完全观察环境，从而促使模型有效地利用它们。该团队的做法是将与每帧对应的动作作为输入。该研究来自斯坦福大学、这里并不会对所有 token 序列进行一次扫描，

可以看到，其中模型仅获得 100 帧上下文来预测 50 帧。这使得模型在大多数情况下主要依赖邻近帧进行去噪。因为在展平的 token 序列中，因此，充分利用了其在序列建模方面的固有优势。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。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，

具体而言，

为此，然而，再根据输入动作自回归地生成新的视频帧。可以在时间相关性和空间一致性之间取得平衡。因此不适用于交互式应用，标准的 diffusion forcing 始终会向每个帧独立添加噪声。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，

动作条件。