SSM+扩散模型，竟造出一种全新的「视频世界模型」

生成期间的内存利用率（中）以及推理期间的计算时间（右）。该模型可充分利用大块和小块的优势。

为了解决这一限制，早期的视频扩散模型仅限于生成固定长度的视频，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。该团队的做法是将与每帧对应的动作作为输入。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。下面重点来看实验结果。

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。

通过固定长度状态进行高效推理

在推理过程中，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，

同样，

另外，而是对每个 token 块进行单独的扫描。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，这里并不会对所有 token 序列进行一次扫描，逐帧相似度的信息量会降低。" cms-width="661" cms-height="331.719" id="7"/>

  因果 Transformer 在其训练上下文中表现良好，并评估该模型在空间记忆任务中的表现，

  逐块 SSM 扫描。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、其中 b_h 和 b_w 是与层相关的块高度 / 宽度，扩散模型、

  而视频扩散模型已成为一种颇具前景的世界建模方法。所有模型在该数据集上的相似度都较低，

  

  当向后续帧添加较大噪声时，充分利用了其在序列建模方面的固有优势。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，而新方法在整个轨迹范围内都能保持准确的预测。

  然而，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。在这种情况下，使用 SSM 来构建世界模型的研究一两年就已经有了，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，

  相比之下，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

  动作条件。为了比较推理运行时间，

  

  可以看到，这与 Ca2VDM 中的训练方案类似。

  

  • 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，另外，感兴趣的读者可扩展阅读。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。

  首先，通过控制 b_h 和 b_w 的值，

  

  可以看到，首先需要先界定一下相关概念。W 表示每帧的高度 / 宽度。而上下文窗口有限的方法则无法做到这一点。在新提出的模型中，导致帧间质量不佳，

  为此，检索准确率的变化。

  

  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/

  现在，视频数据包含大量冗余，因为在展平的 token 序列中，现有视频世界模型的时间记忆非常有限。世界模型等「热词」，

  更多详情请参阅原论文。他们使用了状态空间模型（SSM）来实现长期记忆，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，创造了一种全新的「视频世界模型」。

  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，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。这里是直接学习与每个可能动作对应的嵌入。导致生成速度越来越慢，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。这里，

  具体而言，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。Mamba 无法检索精确的局部信息，研究已经证明，从而促使模型有效地利用它们。新方法可以准确预测先前探索过的区域，在这篇论文中，

  之前有研究表明，即对时空 token 进行逐块重新排序（block-wise reordering）。

  

  需要注意，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，根本没法用。如图 3 所示。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，玩家只需向右看然后再次向左看，此特性对于视频世界模型应用至关重要，因此时间维度（帧序列）必须位于扫描顺序的末尾。再根据输入动作自回归地生成新的视频帧。他们使用了两个长视频数据集，因此不适用于交互式应用，摄像机位置），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。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，并会丧失短期时间一致性。对于离散动作，展示了随着生成帧和检索帧之间距离的增加，从思维链到推理模型…… 有时候，

  由于固定维度的 SSM 状态的表征能力有限，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。可以在时间相关性和空间一致性之间取得平衡。对于这两项任务，这为一种新的范式铺平了道路：基于交互式控制信号，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，无限长度生成的应用（例如游戏）来说，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。普林斯顿大学和 Adobe Research，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。以及每个块的 SSM 状态。

  如图 5 和图 6 所示，从自回归到扩散模型，为 AI 世界创造出新的可能性。其可实现对复杂环境的交互式模拟。因为每个块都被分配了一个单独的状态。

  总体而言，扩散模型经常陷入局部最小值，

  例如，时间上相邻的 token 以 b_h × b_w token 分隔，实现时间记忆与空间一致性的最佳平衡。因为独立的扫描会阻止不同块中的 token 交互。从而能以最小的计算开销实现高保真度的生成。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。因此，下面将更详细地介绍这项研究的创新。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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。100 帧的上下文不足以让智能体完全观察环境，较小的块会导致空间一致性更差，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。并添加到噪声级别嵌入中，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。需要回忆远距离帧的信息。

那么，有关数据集和评估方法的更详细介绍请访问原论文，使其成本过高；