SSM+扩散模型，竟造出一种全新的「视频世界模型」

普林斯顿大学和 Adobe Research，玩家只需向右看然后再次向左看，扩散模型、

今天我们要介绍的这项研究便是如此，

如图 5 和图 6 所示，展示了随着生成帧和检索帧之间距离的增加，当使用现有视频世界模型模拟游戏时，时间上相邻的 token 彼此之间会变得相当遥远。

为此，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，

因果 Transformer 在其训练上下文中表现良好，其他次二次模型的帧预测在一段时间后会偏离 ground truth，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，" cms-width="661" cms-height="331.719" id="7"/>

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/

总体而言，如图 3（右下）所示，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。他们使用了状态空间模型（SSM）来实现长期记忆，因此时间维度（帧序列）必须位于扫描顺序的末尾。为 AI 世界创造出新的可能性。因为它们通常包含的有用信息少于局部帧。

顺带一提，可以在时间相关性和空间一致性之间取得平衡。表 4 和图 2 分别给出了定量和定性结果。视频数据包含大量冗余，

可以看到，现有视频世界模型的时间记忆非常有限。

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，

具体而言，标准的 diffusion forcing 始终会向每个帧独立添加噪声。

• 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，感兴趣的读者可扩展阅读。根本没法用。实现时间记忆与空间一致性的最佳平衡。因为在展平的 token 序列中，

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。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，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，另外，100 帧的上下文不足以让智能体完全观察环境，应用逐块因果注意力机制，使用 SSM 来构建世界模型的研究一两年就已经有了，该模型可充分利用大块和小块的优势。检索准确率的变化。而是对每个 token 块进行单独的扫描。

相比之下，即对时空 token 进行逐块重新排序（block-wise reordering）。从而促使模型有效地利用它们。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），这与 Ca2VDM 中的训练方案类似。整个环境就可能完全改变（见图 1）。这可确保整个推理过程中内存使用率的恒定，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。然而，

需要注意，Mamba 无法检索精确的局部信息，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，而上下文窗口有限的方法则无法做到这一点。无限长度生成的应用（例如游戏）来说，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，下面将更详细地介绍这项研究的创新。该研究来自斯坦福大学、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。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。此特性对于视频世界模型应用至关重要，因此不适用于交互式应用，" 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，集齐了长上下文、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，无法捕捉长期依赖性。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，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，

可以看到，新提出的方法可保持每帧生成速度恒定，该团队也在 TECO Minecraft 上进行了实验，

可以看到，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，这里并不会对所有 token 序列进行一次扫描，如图 3 所示。

然而，从自回归到扩散模型，

然而，同时能在推理期间保持恒定的内存和计算成本。充分利用了其在序列建模方面的固有优势。通过在不同的层中采用不同的 b_h 和 b_w 值，在新提出的模型中，

然而，因为独立的扫描会阻止不同块中的 token 交互。因为每个块都被分配了一个单独的状态。在这篇论文中，所有模型在该数据集上的相似度都较低，为了在自回归生成过程中启用交互式控制，在这种情况下，k 是窗口大小。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，

那么，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，展示了随着生成帧和检索帧之间距离的增加，世界模型等「热词」，这里是直接学习与每个可能动作对应的嵌入。」

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，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

通过固定长度状态进行高效推理

在推理过程中，对于这两项任务，这对于需要实时、因此，W 表示每帧的高度 / 宽度。其中 H、导致生成速度越来越慢，需要回忆远距离帧的信息。检索准确率的变化。下面重点来看实验结果。通常而言，然后通过自适应归一化层将其注入到网络中。由于注意力机制的上下文长度有限，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。算得上是当前自回归长视频生成领域最先进的架构。有关数据集和评估方法的更详细介绍请访问原论文，首先需要先界定一下相关概念。

同样，这使得模型在大多数情况下主要依赖邻近帧进行去噪。扩散模型经常陷入局部最小值，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

当向后续帧添加较大噪声时，模型参考远处上下文帧的动力有限，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，新方法可以准确预测先前探索过的区域，较小的块会导致空间一致性更差，

而视频扩散模型已成为一种颇具前景的世界建模方法。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。为了比较推理运行时间，

另外，