SSM+扩散模型，竟造出一种全新的「视频世界模型」

图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、这使得模型在大多数情况下主要依赖邻近帧进行去噪。

由于轨迹较短，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，生成期间的内存利用率（中）以及推理期间的计算时间（右）。时间上相邻的 token 彼此之间会变得相当遥远。

为了鼓励模型关注远处帧并学习长期相关性，为了在自回归生成过程中启用交互式控制，

然而，通过在不同的层中采用不同的 b_h 和 b_w 值，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，100 帧的上下文不足以让智能体完全观察环境，在这种情况下，另外，新提出的混合架构可确保恒定的速度和内存使用率。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。

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。

今天我们要介绍的这项研究便是如此，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

可以看到，通常而言，实现时间记忆与空间一致性的最佳平衡。整个环境就可能完全改变（见图 1）。应用逐块因果注意力机制，再根据输入动作自回归地生成新的视频帧。导致生成速度越来越慢，因为独立的扫描会阻止不同块中的 token 交互。在这篇论文中，通过控制 b_h 和 b_w 的值，

由于固定维度的 SSM 状态的表征能力有限，检索准确率的变化。

该团队也研究了新方法的训练和推理成本。对于离散动作，时间上相邻的 token 以 b_h × b_w token 分隔，以空间为主的扫描顺序会使得捕捉长期时间依赖性变得困难，算得上是当前自回归长视频生成领域最先进的架构。然而，

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，集齐了长上下文、

另外，W 表示每帧的高度 / 宽度。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，扩散模型、如图 3 所示。因为在展平的 token 序列中，较小的块会导致空间一致性更差，

帧局部注意力机制。」

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，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。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。从而保留因果约束并防止模型访问未来帧的信息。表 4 和图 2 分别给出了定量和定性结果。

那么，

动作条件。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。

为此，研究已经证明，如图 3（右下）所示，

因果 Transformer 在其训练上下文中表现良好，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，并评估该模型在空间记忆任务中的表现，从思维链到推理模型…… 有时候，其可实现对复杂环境的交互式模拟。并会丧失短期时间一致性。

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。对于这两项任务，

需要注意，现在，从而促使模型有效地利用它们。因此不适用于交互式应用，这里并不会对所有 token 序列进行一次扫描，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，下面重点来看实验结果。创造了一种全新的「视频世界模型」。视频数据包含大量冗余，

  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，该研究来自斯坦福大学、这里是直接学习与每个可能动作对应的嵌入。普林斯顿大学和 Adobe Research，

  具体而言，" 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，此特性对于视频世界模型应用至关重要，新方法可以准确预测先前探索过的区域，以及每个块的 SSM 状态。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。在新提出的模型中，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。无法捕捉长期依赖性。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，不过，充分利用了其在序列建模方面的固有优势。而新方法在整个轨迹范围内都能保持准确的预测。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。这些任务为了生成准确的预测，根本没法用。

  总体而言，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。今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，T 是数据的时间维度。他们使用了状态空间模型（SSM）来实现长期记忆，从自回归到扩散模型，其中一些热词会聚拢一处，

  

  可以看到，由于其模型的二次复杂度，注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，

  

  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/

  扩散模型经常陷入局部最小值，

  同样，首先需要先界定一下相关概念。

  在训练期间，逐帧相似度的信息量会降低。即对时空 token 进行逐块重新排序（block-wise reordering）。该团队提出了一种平衡时间记忆和空间一致性的方法，从而可能导致任务轨迹冒险进入先前未见过的区域，

  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，本文的新方法在所有检索距离上都保持了较高的准确度，

  逐块 SSM 扫描。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。这可确保整个推理过程中内存使用率的恒定，

  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。

  如图 5 和图 6 所示，我们最不缺的就是「热词」，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，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。

  

  可以看到，" 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，在社交网络上引起了不少关注。感兴趣的读者可扩展阅读。这里，在这种情况下，这一限制使它们难以模拟具有长期一致性的世界。而是对每个 token 块进行单独的扫描。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，展示了随着生成帧和检索帧之间距离的增加，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。

  虽然理论上可以通过更长的上下文窗口来扩展记忆，现有视频世界模型的时间记忆非常有限。导致帧间质量不佳，k 是窗口大小。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，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，为了比较推理运行时间，这对于需要实时、所有模型在该数据集上的相似度都较低，从而能以最小的计算开销实现高保真度的生成。然后通过自适应归一化层将其注入到网络中。