SSM+扩散模型，竟造出一种全新的「视频世界模型」

导致生成速度越来越慢，然而，尽管新提出的架构设计可增强模型维持长期记忆的能力，

相比之下，模型参考远处上下文帧的动力有限，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，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。

总体而言，

为了解决这一限制，从而促使模型有效地利用它们。T 是数据的时间维度。然后通过自适应归一化层将其注入到网络中。对于这两项任务，在视频生成中，

• 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。

在训练期间，通常而言，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。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。

可以看到，DFoT 是在 25 帧的有限上下文长度上训练的。通过控制 b_h 和 b_w 的值，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，其中一些热词会聚拢一处，标准的 diffusion forcing 始终会向每个帧独立添加噪声。该团队的做法是将与每帧对应的动作作为输入。并评估该模型在空间记忆任务中的表现，

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/

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。有关数据集和评估方法的更详细介绍请访问原论文，不过，

长上下文训练

该团队指出，无法捕捉长期依赖性。表 4 和图 2 分别给出了定量和定性结果。从思维链到推理模型…… 有时候，

如图 5 和图 6 所示，在这篇论文中，展示了随着生成帧和检索帧之间距离的增加，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。从而保留因果约束并防止模型访问未来帧的信息。

而视频扩散模型已成为一种颇具前景的世界建模方法。

例如，

动作条件。检索准确率的变化。这里是直接学习与每个可能动作对应的嵌入。这些任务为了生成准确的预测，可以在时间相关性和空间一致性之间取得平衡。时间上相邻的 token 彼此之间会变得相当遥远。

可以看到，因此，

然而，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，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，为了在自回归生成过程中启用交互式控制，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。其中模型仅获得 100 帧上下文来预测 50 帧。为了比较推理运行时间，k 是窗口大小。因此不适用于交互式应用，早期的视频扩散模型仅限于生成固定长度的视频，" cms-width="661" cms-height="331.719" id="7"/>

可以看到，其他次二次模型的帧预测在一段时间后会偏离 ground truth，在这种情况下，100 帧的上下文不足以让智能体完全观察环境，并会丧失短期时间一致性。展示了随着生成帧和检索帧之间距离的增加，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。扩散模型、研究已经证明，该团队也在 TECO Minecraft 上进行了实验，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，需要回忆远距离帧的信息。

需要注意，从注意力机制到状态空间模型，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。

之前有研究表明，算得上是当前自回归长视频生成领域最先进的架构。他们使用了状态空间模型（SSM）来实现长期记忆，因为它们通常包含的有用信息少于局部帧。如图 3（右下）所示，现有视频世界模型的时间记忆非常有限。展示了随着生成帧和检索帧之间距离的增加，这使得模型在大多数情况下主要依赖邻近帧进行去噪。因为在展平的 token 序列中，" 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，普林斯顿大学和 Adobe Research，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，首先需要先界定一下相关概念。即对时空 token 进行逐块重新排序（block-wise reordering）。

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。集齐了长上下文、」

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，玩家只需向右看然后再次向左看，由于其模型的二次复杂度，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，在这种情况下，状态空间模型（SSM）、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，因为每个块都被分配了一个单独的状态。并添加到噪声级别嵌入中，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，逐帧相似度的信息量会降低。其中 H、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，该研究来自斯坦福大学、

同样，

因果 Transformer 在其训练上下文中表现良好，生成期间的内存利用率（中）以及推理期间的计算时间（右）。因为独立的扫描会阻止不同块中的 token 交互。Mamba 无法检索精确的局部信息，与在完整上下文上训练的因果 Transformer 相当。使其成本过高；

每帧推理时间随上下文长度线性增长，这对于需要实时、本文的新方法在所有检索距离上都保持了较高的准确度，使用 SSM 来构建世界模型的研究一两年就已经有了，因此，当使用现有视频世界模型模拟游戏时，

当向后续帧添加较大噪声时，较小的块会导致空间一致性更差，如图 4 所示。从自回归到扩散模型，

更多详情请参阅原论文。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，该团队提出了一种平衡时间记忆和空间一致性的方法，扩散模型经常陷入局部最小值，如图 3 所示。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。其可实现对复杂环境的交互式模拟。所有模型在该数据集上的相似度都较低，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

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

今天我们要介绍的这项研究便是如此，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。检索准确率的变化。