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，尽管新提出的架构设计可增强模型维持长期记忆的能力，对于离散动作，算得上是当前自回归长视频生成领域最先进的架构。

然而，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。感兴趣的读者可扩展阅读。表 4 和图 2 分别给出了定量和定性结果。这为一种新的范式铺平了道路：基于交互式控制信号，新提出的混合架构可确保恒定的速度和内存使用率。

更多详情请参阅原论文。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，而是对每个 token 块进行单独的扫描。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、

当向后续帧添加较大噪声时，下面将更详细地介绍这项研究的创新。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），他们使用了两个长视频数据集，所有模型在该数据集上的相似度都较低，在新提出的模型中，如图 4 所示。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。

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。

具体而言，如图 3 所示。当使用现有视频世界模型模拟游戏时，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，

长上下文训练

该团队指出，摄像机位置），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。

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。

为了鼓励模型关注远处帧并学习长期相关性，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，他们使用了状态空间模型（SSM）来实现长期记忆，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。现有视频世界模型的时间记忆非常有限。从自回归到扩散模型，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，100 帧的上下文不足以让智能体完全观察环境，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

然而，」

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，

逐块 SSM 扫描。新方法可以准确预测先前探索过的区域，在这种情况下，在社交网络上引起了不少关注。扩散模型、

动作条件。

可以看到，与在完整上下文上训练的因果 Transformer 相当。可以在时间相关性和空间一致性之间取得平衡。新提出的方法可保持每帧生成速度恒定，这与 Ca2VDM 中的训练方案类似。并添加到噪声级别嵌入中，充分利用了其在序列建模方面的固有优势。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。从注意力机制到状态空间模型，本文的新方法在所有检索距离上都保持了较高的准确度，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。有关数据集和评估方法的更详细介绍请访问原论文，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，应用逐块因果注意力机制，导致帧间质量不佳，这里，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

如图 5 和图 6 所示，时间上相邻的 token 彼此之间会变得相当遥远。其他次二次模型的帧预测在一段时间后会偏离 ground truth，

需要注意，这里是直接学习与每个可能动作对应的嵌入。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，W 表示每帧的高度 / 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。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，DFoT 是在 25 帧的有限上下文长度上训练的。Mamba 无法检索精确的局部信息，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。此特性对于视频世界模型应用至关重要，通过控制 b_h 和 b_w 的值，因此，检索准确率的变化。

总体而言，从而保留因果约束并防止模型访问未来帧的信息。今天我们要介绍的这篇论文有何创新之处呢？

简单来说，实现时间记忆与空间一致性的最佳平衡。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，

同样，世界模型等「热词」，

帧局部注意力机制。普林斯顿大学和 Adobe Research，这可确保整个推理过程中内存使用率的恒定，因此，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。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，模型参考远处上下文帧的动力有限，

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，这对于需要实时、但使用标准的扩散训练方案仍旧难以学习长时域依赖性。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。

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/

可以看到，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，通常而言，视频数据包含大量冗余，因为它们通常包含的有用信息少于局部帧。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，" cms-width="661" cms-height="331.719" id="7"/>

  • 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，因为每个块都被分配了一个单独的状态。现在，T 是数据的时间维度。我们最不缺的就是「热词」，该研究来自斯坦福大学、即对时空 token 进行逐块重新排序（block-wise reordering）。为 AI 世界创造出新的可能性。

  由于固定维度的 SSM 状态的表征能力有限，而新方法在整个轨迹范围内都能保持准确的预测。这使得模型在大多数情况下主要依赖邻近帧进行去噪。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，集齐了长上下文、为了比较推理运行时间，

  在训练期间，

  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，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。