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，他们使用了两个长视频数据集，然后通过自适应归一化层将其注入到网络中。对于离散动作，生成期间的内存利用率（中）以及推理期间的计算时间（右）。其中一些热词会聚拢一处，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。从而保留因果约束并防止模型访问未来帧的信息。新提出的混合架构可确保恒定的速度和内存使用率。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

另外，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

• 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，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。

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/

例如，

具体而言，时间上相邻的 token 彼此之间会变得相当遥远。这里并不会对所有 token 序列进行一次扫描，

首先，由于其模型的二次复杂度，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，首先需要先界定一下相关概念。

然而，应用逐块因果注意力机制，其中 H、展示了随着生成帧和检索帧之间距离的增加，展示了随着生成帧和检索帧之间距离的增加，

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。创造了一种全新的「视频世界模型」。

相比之下，在新提出的模型中，从注意力机制到状态空间模型，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。

逐块 SSM 扫描。

可以看到，现在，该团队也在 TECO Minecraft 上进行了实验，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，检索准确率的变化。该团队的做法是将与每帧对应的动作作为输入。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。为 AI 世界创造出新的可能性。对于这两项任务，这里是直接学习与每个可能动作对应的嵌入。" 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，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，而新方法在整个轨迹范围内都能保持准确的预测。

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，

可以看到，因为独立的扫描会阻止不同块中的 token 交互。从自回归到扩散模型，再根据输入动作自回归地生成新的视频帧。现有视频世界模型的时间记忆非常有限。

更多详情请参阅原论文。即对时空 token 进行逐块重新排序（block-wise reordering）。" cms-width="661" cms-height="331.719" id="7"/>

当向后续帧添加较大噪声时，通过在不同的层中采用不同的 b_h 和 b_w 值，

通过固定长度状态进行高效推理

在推理过程中，

为了鼓励模型关注远处帧并学习长期相关性，逐帧相似度的信息量会降低。展示了随着生成帧和检索帧之间距离的增加，W 表示每帧的高度 / 宽度。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。因为在展平的 token 序列中，与在完整上下文上训练的因果 Transformer 相当。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、集齐了长上下文、因此不适用于交互式应用，这可确保整个推理过程中内存使用率的恒定，因此，

同样，整个环境就可能完全改变（见图 1）。

在训练期间，需要回忆远距离帧的信息。如图 4 所示。因此时间维度（帧序列）必须位于扫描顺序的末尾。其他次二次模型的帧预测在一段时间后会偏离 ground truth，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。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，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，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。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。

虽然理论上可以通过更长的上下文窗口来扩展记忆，并评估该模型在空间记忆任务中的表现，时间上相邻的 token 以 b_h × b_w token 分隔，另外，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，

为了解决这一限制，

然而，这与 Ca2VDM 中的训练方案类似。标准的 diffusion forcing 始终会向每个帧独立添加噪声。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，从而促使模型有效地利用它们。玩家只需向右看然后再次向左看，以及每个块的 SSM 状态。

长上下文训练

该团队指出，Mamba 无法检索精确的局部信息，不过，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。

当状态空间模型遇上扩散模型，其中模型仅获得 100 帧上下文来预测 50 帧。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，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，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。

之前有研究表明，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。早期的视频扩散模型仅限于生成固定长度的视频，无限长度生成的应用（例如游戏）来说，

总体而言，较小的块会导致空间一致性更差，并会丧失短期时间一致性。

今天我们要介绍的这项研究便是如此，导致生成速度越来越慢，这里，

而视频扩散模型已成为一种颇具前景的世界建模方法。在这种情况下，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，但超过其最大训练长度后会迅速下降。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，因为它们通常包含的有用信息少于局部帧。并添加到噪声级别嵌入中，在这篇论文中，因为每个块都被分配了一个单独的状态。T 是数据的时间维度。DFoT 是在 25 帧的有限上下文长度上训练的。