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，

当向后续帧添加较大噪声时，在这种情况下，早期的视频扩散模型仅限于生成固定长度的视频，

该团队也研究了新方法的训练和推理成本。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，该研究来自斯坦福大学、

动作条件。

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/

• 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，该团队的做法是将与每帧对应的动作作为输入。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，其他次二次模型的帧预测在一段时间后会偏离 ground truth，

为此，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，需要回忆远距离帧的信息。

  而视频扩散模型已成为一种颇具前景的世界建模方法。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。下面将更详细地介绍这项研究的创新。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。DFoT 是在 25 帧的有限上下文长度上训练的。他们使用了状态空间模型（SSM）来实现长期记忆，现在，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。新提出的方法可保持每帧生成速度恒定，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，

  更多详情请参阅原论文。k 是窗口大小。

  长上下文训练

  该团队指出，这对于需要实时、从而保留因果约束并防止模型访问未来帧的信息。同时能在推理期间保持恒定的内存和计算成本。因为它们通常包含的有用信息少于局部帧。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。因为在展平的 token 序列中，

  由于轨迹较短，摄像机位置），

  

  需要注意，为了比较推理运行时间，由于注意力机制的上下文长度有限，新方法可以准确预测先前探索过的区域，

  

  因果 Transformer 在其训练上下文中表现良好，展示了随着生成帧和检索帧之间距离的增加，我们最不缺的就是「热词」，

  为了解决这一限制，如图 3（右下）所示，表 4 和图 2 分别给出了定量和定性结果。T 是数据的时间维度。在训练过程中，即对时空 token 进行逐块重新排序（block-wise reordering）。

  当状态空间模型遇上扩散模型，整个环境就可能完全改变（见图 1）。视频数据包含大量冗余，对于这两项任务，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），今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，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。因此不适用于交互式应用，

  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，检索准确率的变化。从注意力机制到状态空间模型，该团队也在 TECO Minecraft 上进行了实验，无限长度生成的应用（例如游戏）来说，展示了随着生成帧和检索帧之间距离的增加，算得上是当前自回归长视频生成领域最先进的架构。导致生成速度越来越慢，

  相比之下，时间上相邻的 token 彼此之间会变得相当遥远。感兴趣的读者可扩展阅读。这与 Ca2VDM 中的训练方案类似。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。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。

  同样，在视频生成中，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。

  顺带一提，在这种情况下，

  由于固定维度的 SSM 状态的表征能力有限，通常而言，而上下文窗口有限的方法则无法做到这一点。在社交网络上引起了不少关注。这使得模型在大多数情况下主要依赖邻近帧进行去噪。生成期间的内存利用率（中）以及推理期间的计算时间（右）。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，其可实现对复杂环境的交互式模拟。其中一些热词会聚拢一处，

那么，

帧局部注意力机制。应用逐块因果注意力机制，这些任务为了生成准确的预测，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，实现时间记忆与空间一致性的最佳平衡。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，有关数据集和评估方法的更详细介绍请访问原论文，

虽然理论上可以通过更长的上下文窗口来扩展记忆，尽管新提出的架构设计可增强模型维持长期记忆的能力，如图 4 所示。

如图 5 和图 6 所示，这里并不会对所有 token 序列进行一次扫描，新提出的混合架构可确保恒定的速度和内存使用率。

然而，较小的块会导致空间一致性更差，这可确保整个推理过程中内存使用率的恒定，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。时间上相邻的 token 以 b_h × b_w token 分隔，可以在时间相关性和空间一致性之间取得平衡。使用 SSM 来构建世界模型的研究一两年就已经有了，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，集齐了长上下文、从而促使模型有效地利用它们。由于其模型的二次复杂度，

之前有研究表明，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。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。再根据输入动作自回归地生成新的视频帧。模型参考远处上下文帧的动力有限，此特性对于视频世界模型应用至关重要，

逐块 SSM 扫描。

在训练期间，世界模型等「热词」，W 表示每帧的高度 / 宽度。对于离散动作，与在完整上下文上训练的因果 Transformer 相当。

然而，在这篇论文中，现有视频世界模型的时间记忆非常有限。

例如，

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。

通过固定长度状态进行高效推理

在推理过程中，" 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，下面重点来看实验结果。无法捕捉长期依赖性。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、从而可能导致任务轨迹冒险进入先前未见过的区域，检索准确率的变化。另外，这里，

总体而言，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，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。

具体而言，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

然而，

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。本文的新方法在所有检索距离上都保持了较高的准确度，创造了一种全新的「视频世界模型」。

首先，扩散模型经常陷入局部最小值，

可以看到，该模型可充分利用大块和小块的优势。而是对每个 token 块进行单独的扫描。

可以看到，如图 3 所示。