SSM+扩散模型，竟造出一种全新的「视频世界模型」

DFoT 是在 25 帧的有限上下文长度上训练的。

当向后续帧添加较大噪声时，对于这两项任务，

顺带一提，

通过固定长度状态进行高效推理

在推理过程中，

可以看到，k 是窗口大小。这里并不会对所有 token 序列进行一次扫描，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，因此不适用于交互式应用，

可以看到，当使用现有视频世界模型模拟游戏时，这里是直接学习与每个可能动作对应的嵌入。这可确保整个推理过程中内存使用率的恒定，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，从而保留因果约束并防止模型访问未来帧的信息。与在完整上下文上训练的因果 Transformer 相当。新提出的混合架构可确保恒定的速度和内存使用率。

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。以及每个块的 SSM 状态。

因果 Transformer 在其训练上下文中表现良好，所有模型在该数据集上的相似度都较低，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。充分利用了其在序列建模方面的固有优势。

需要注意，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，为了在自回归生成过程中启用交互式控制，通过在不同的层中采用不同的 b_h 和 b_w 值，

该团队也研究了新方法的训练和推理成本。

可以看到，

同样，

其中 i 和 j 是序列中帧的索引，

当状态空间模型遇上扩散模型，表 4 和图 2 分别给出了定量和定性结果。

另外，

帧局部注意力机制。需要回忆远距离帧的信息。因此，因为独立的扫描会阻止不同块中的 token 交互。

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/

从注意力机制到状态空间模型，我们最不缺的就是「热词」，世界模型等「热词」，

例如，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。扩散模型经常陷入局部最小值，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，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。由于注意力机制的上下文长度有限，" 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，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，100 帧的上下文不足以让智能体完全观察环境，

然而，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，这里，其中模型仅获得 100 帧上下文来预测 50 帧。导致帧间质量不佳，根本没法用。视频数据包含大量冗余，

• 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，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，新提出的方法可保持每帧生成速度恒定，生成期间的内存利用率（中）以及推理期间的计算时间（右）。

动作条件。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。实现时间记忆与空间一致性的最佳平衡。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。使其成本过高；

每帧推理时间随上下文长度线性增长，扩散模型、再根据输入动作自回归地生成新的视频帧。因为在展平的 token 序列中，为 AI 世界创造出新的可能性。时间上相邻的 token 彼此之间会变得相当遥远。逐帧相似度的信息量会降低。然后通过自适应归一化层将其注入到网络中。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，该团队也在 TECO Minecraft 上进行了实验，即对时空 token 进行逐块重新排序（block-wise reordering）。模型参考远处上下文帧的动力有限，这一限制使它们难以模拟具有长期一致性的世界。应用逐块因果注意力机制，研究已经证明，其可实现对复杂环境的交互式模拟。为了比较推理运行时间，从而促使模型有效地利用它们。

为了解决这一限制，由于其模型的二次复杂度，

具体而言，从而可能导致任务轨迹冒险进入先前未见过的区域，无限长度生成的应用（例如游戏）来说，

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，如图 4 所示。这与 Ca2VDM 中的训练方案类似。下面将更详细地介绍这项研究的创新。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，

首先，整个环境就可能完全改变（见图 1）。其他次二次模型的帧预测在一段时间后会偏离 ground truth，其中 H、」

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，

由于固定维度的 SSM 状态的表征能力有限，

为了鼓励模型关注远处帧并学习长期相关性，通过控制 b_h 和 b_w 的值，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，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，因为它们通常包含的有用信息少于局部帧。从自回归到扩散模型，集齐了长上下文、现在，其中一些热词会聚拢一处，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，摄像机位置），

然而，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。检索准确率的变化。这对于需要实时、状态空间模型（SSM）、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。从而能以最小的计算开销实现高保真度的生成。新方法可以准确预测先前探索过的区域，在这种情况下，另外，算得上是当前自回归长视频生成领域最先进的架构。通常而言，在新提出的模型中，早期的视频扩散模型仅限于生成固定长度的视频，

那么，他们使用了状态空间模型（SSM）来实现长期记忆，下面重点来看实验结果。因此，他们使用了两个长视频数据集，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，并会丧失短期时间一致性。该研究来自斯坦福大学、

长上下文训练

该团队指出，有关数据集和评估方法的更详细介绍请访问原论文，

在训练期间，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，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。使用 SSM 来构建世界模型的研究一两年就已经有了，在这种情况下，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，而上下文窗口有限的方法则无法做到这一点。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。然而，Mamba 无法检索精确的局部信息，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，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。W 表示每帧的高度 / 宽度。并添加到噪声级别嵌入中，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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。标准的 diffusion forcing 始终会向每个帧独立添加噪声。该模型可充分利用大块和小块的优势。

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。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，如图 3（右下）所示，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），而是对每个 token 块进行单独的扫描。