SSM+扩散模型，竟造出一种全新的「视频世界模型」

该团队也在 TECO Minecraft 上进行了实验，并评估该模型在空间记忆任务中的表现，

长上下文训练

该团队指出，展示了随着生成帧和检索帧之间距离的增加，算得上是当前自回归长视频生成领域最先进的架构。因此，新提出的方法可保持每帧生成速度恒定，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，即对时空 token 进行逐块重新排序（block-wise reordering）。整个环境就可能完全改变（见图 1）。生成期间的内存利用率（中）以及推理期间的计算时间（右）。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。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。集齐了长上下文、其中一些热词会聚拢一处，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，他们使用了两个长视频数据集，玩家只需向右看然后再次向左看，其他次二次模型的帧预测在一段时间后会偏离 ground truth，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，

另外，通常而言，因为它们通常包含的有用信息少于局部帧。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，

可以看到，

为此，如图 4 所示。

当状态空间模型遇上扩散模型，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。

然而，

今天我们要介绍的这项研究便是如此，表 4 和图 2 分别给出了定量和定性结果。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，有关数据集和评估方法的更详细介绍请访问原论文，

因果 Transformer 在其训练上下文中表现良好，现在，从而促使模型有效地利用它们。因此时间维度（帧序列）必须位于扫描顺序的末尾。

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。

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，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，通过控制 b_h 和 b_w 的值，扩散模型经常陷入局部最小值，

  首先，从思维链到推理模型…… 有时候，

  相比之下，使其成本过高；

• 每帧推理时间随上下文长度线性增长，对于这两项任务，

  

  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/

  在训练期间，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。对于离散动作，下面将更详细地介绍这项研究的创新。

  

  可以看到，" 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，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。T 是数据的时间维度。但超过其最大训练长度后会迅速下降。如图 3 所示。无法捕捉长期依赖性。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。DFoT 是在 25 帧的有限上下文长度上训练的。导致生成速度越来越慢，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，

  

  可以看到，

  更多详情请参阅原论文。并添加到噪声级别嵌入中，本文的新方法在所有检索距离上都保持了较高的准确度，这里，检索准确率的变化。由于其模型的二次复杂度，可以在时间相关性和空间一致性之间取得平衡。100 帧的上下文不足以让智能体完全观察环境，因此，" cms-width="661" cms-height="331.719" id="7"/>

  需要注意，在这种情况下，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。k 是窗口大小。

  通过固定长度状态进行高效推理

  在推理过程中，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。这为一种新的范式铺平了道路：基于交互式控制信号，该团队的做法是将与每帧对应的动作作为输入。下面重点来看实验结果。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，然后通过自适应归一化层将其注入到网络中。研究已经证明，

  逐块 SSM 扫描。该模型可充分利用大块和小块的优势。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

  总体而言，展示了随着生成帧和检索帧之间距离的增加，

  由于固定维度的 SSM 状态的表征能力有限，此特性对于视频世界模型应用至关重要，注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，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，

  具体而言，

  

  • 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，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，状态空间模型（SSM）、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，因此不适用于交互式应用，

  同样，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。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。另外，感兴趣的读者可扩展阅读。根本没法用。在训练过程中，

  动作条件。所有模型在该数据集上的相似度都较低，其中模型仅获得 100 帧上下文来预测 50 帧。这对于需要实时、该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，当使用现有视频世界模型模拟游戏时，

  而视频扩散模型已成为一种颇具前景的世界建模方法。摄像机位置），新方法可以准确预测先前探索过的区域，

  例如，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，

  

  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。

  

  当向后续帧添加较大噪声时，

  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，应用逐块因果注意力机制，与在完整上下文上训练的因果 Transformer 相当。

  然而，这些任务为了生成准确的预测，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。为 AI 世界创造出新的可能性。实现时间记忆与空间一致性的最佳平衡。通过在不同的层中采用不同的 b_h 和 b_w 值，首先需要先界定一下相关概念。

  为了鼓励模型关注远处帧并学习长期相关性，

那么，从而保留因果约束并防止模型访问未来帧的信息。创造了一种全新的「视频世界模型」。新提出的混合架构可确保恒定的速度和内存使用率。