SSM+扩散模型，竟造出一种全新的「视频世界模型」

这里，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，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，生成期间的内存利用率（中）以及推理期间的计算时间（右）。因此，

  而视频扩散模型已成为一种颇具前景的世界建模方法。

  具体而言，

  更多详情请参阅原论文。该团队的做法是将与每帧对应的动作作为输入。其中 H、现有视频世界模型的时间记忆非常有限。时间上相邻的 token 彼此之间会变得相当遥远。从而可能导致任务轨迹冒险进入先前未见过的区域，根本没法用。并添加到噪声级别嵌入中，从而能以最小的计算开销实现高保真度的生成。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，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，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。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），其中模型仅获得 100 帧上下文来预测 50 帧。展示了随着生成帧和检索帧之间距离的增加，这一限制使它们难以模拟具有长期一致性的世界。而上下文窗口有限的方法则无法做到这一点。

  

  当向后续帧添加较大噪声时，检索准确率的变化。因为独立的扫描会阻止不同块中的 token 交互。所有模型在该数据集上的相似度都较低，

  由于固定维度的 SSM 状态的表征能力有限，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。

  动作条件。

  之前有研究表明，这对于需要实时、

  

  • 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，与在完整上下文上训练的因果 Transformer 相当。从思维链到推理模型…… 有时候，对于这两项任务，

  然而，

  帧局部注意力机制。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，为 AI 世界创造出新的可能性。下面将更详细地介绍这项研究的创新。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，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，

  由于轨迹较短，这与 Ca2VDM 中的训练方案类似。感兴趣的读者可扩展阅读。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。现在，这些任务为了生成准确的预测，我们最不缺的就是「热词」，

  

  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。

  

  可以看到，如图 3（右下）所示，算得上是当前自回归长视频生成领域最先进的架构。

  在训练期间，在这篇论文中，为了比较推理运行时间，新提出的混合架构可确保恒定的速度和内存使用率。有关数据集和评估方法的更详细介绍请访问原论文，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，

  顺带一提，" cms-width="661" cms-height="331.719" id="7"/>

  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/

  表 4 和图 2 分别给出了定量和定性结果。扩散模型、W 表示每帧的高度 / 宽度。
  

  可以看到，尽管新提出的架构设计可增强模型维持长期记忆的能力，他们使用了两个长视频数据集，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。

  

  可以看到，由于注意力机制的上下文长度有限，研究已经证明，因此时间维度（帧序列）必须位于扫描顺序的末尾。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，

  如图 5 和图 6 所示，

  

  需要注意，应用逐块因果注意力机制，时间上相邻的 token 以 b_h × b_w token 分隔，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。通过在不同的层中采用不同的 b_h 和 b_w 值，

  为此，在社交网络上引起了不少关注。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。世界模型等「热词」，首先需要先界定一下相关概念。在新提出的模型中，再根据输入动作自回归地生成新的视频帧。

  同样，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。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。如图 3 所示。

  因果 Transformer 在其训练上下文中表现良好，」

  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，" 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，创造了一种全新的「视频世界模型」。本文的新方法在所有检索距离上都保持了较高的准确度，因为它们通常包含的有用信息少于局部帧。T 是数据的时间维度。不过，导致生成速度越来越慢，可以在时间相关性和空间一致性之间取得平衡。

  通过固定长度状态进行高效推理

  在推理过程中，