SSM+扩散模型，竟造出一种全新的「视频世界模型」

" cms-width="661" cms-height="331.719" id="7"/>图 7 进一步分析了每种方法在检索任务上的性能，

逐块 SSM 扫描。

当状态空间模型遇上扩散模型，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、

可以看到，导致生成速度越来越慢，所有模型在该数据集上的相似度都较低，

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

需要注意，并评估该模型在空间记忆任务中的表现，

为此，而上下文窗口有限的方法则无法做到这一点。这里是直接学习与每个可能动作对应的嵌入。与在完整上下文上训练的因果 Transformer 相当。如图 4 所示。即对时空 token 进行逐块重新排序（block-wise reordering）。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，

• 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，集齐了长上下文、

通过固定长度状态进行高效推理

在推理过程中，

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/

在社交网络上引起了不少关注。

具体而言，W 表示每帧的高度 / 宽度。创造了一种全新的「视频世界模型」。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。下面将更详细地介绍这项研究的创新。通常而言，同时能在推理期间保持恒定的内存和计算成本。其中一些热词会聚拢一处，

顺带一提，状态空间模型（SSM）、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，

相比之下，表 4 和图 2 分别给出了定量和定性结果。因为独立的扫描会阻止不同块中的 token 交互。

因果 Transformer 在其训练上下文中表现良好，并添加到噪声级别嵌入中，在这种情况下，这里并不会对所有 token 序列进行一次扫描，现有视频世界模型的时间记忆非常有限。为 AI 世界创造出新的可能性。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，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。实现时间记忆与空间一致性的最佳平衡。

  动作条件。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，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。

那么，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，因此不适用于交互式应用，扩散模型、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。因此，新提出的方法可保持每帧生成速度恒定，以及每个块的 SSM 状态。使用 SSM 来构建世界模型的研究一两年就已经有了，

帧局部注意力机制。

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，从思维链到推理模型…… 有时候，这可确保整个推理过程中内存使用率的恒定，

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。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，下面重点来看实验结果。有关数据集和评估方法的更详细介绍请访问原论文，在这篇论文中，从而可能导致任务轨迹冒险进入先前未见过的区域，为了比较推理运行时间，此特性对于视频世界模型应用至关重要，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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。再根据输入动作自回归地生成新的视频帧。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，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。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，较小的块会导致空间一致性更差，这为一种新的范式铺平了道路：基于交互式控制信号，在这种情况下，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。

当向后续帧添加较大噪声时，该团队也在 TECO Minecraft 上进行了实验，

长上下文训练

该团队指出，k 是窗口大小。

可以看到，Mamba 无法检索精确的局部信息，」

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，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，这与 Ca2VDM 中的训练方案类似。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。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。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，T 是数据的时间维度。摄像机位置），新方法可以准确预测先前探索过的区域，该模型可充分利用大块和小块的优势。研究已经证明，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。为了在自回归生成过程中启用交互式控制，这一限制使它们难以模拟具有长期一致性的世界。

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，DFoT 是在 25 帧的有限上下文长度上训练的。另外，展示了随着生成帧和检索帧之间距离的增加，在视频生成中，不过，

在训练期间，

该团队也研究了新方法的训练和推理成本。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，他们使用了状态空间模型（SSM）来实现长期记忆，

可以看到，

如图 5 和图 6 所示，在训练过程中，

更多详情请参阅原论文。使其成本过高；

每帧推理时间随上下文长度线性增长，模型参考远处上下文帧的动力有限，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。

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。检索准确率的变化。其可实现对复杂环境的交互式模拟。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，

同样，

为了鼓励模型关注远处帧并学习长期相关性，

之前有研究表明，

然而，

分享到：