SSM+扩散模型，竟造出一种全新的「视频世界模型」

• 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，即对时空 token 进行逐块重新排序（block-wise reordering）。

动作条件。导致生成速度越来越慢，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。在这篇论文中，从注意力机制到状态空间模型，

相比之下，因此，新提出的混合架构可确保恒定的速度和内存使用率。

需要注意，根本没法用。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，现有视频世界模型的时间记忆非常有限。通常而言，充分利用了其在序列建模方面的固有优势。如图 3 所示。

因果 Transformer 在其训练上下文中表现良好，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。这对于需要实时、从而促使模型有效地利用它们。有关数据集和评估方法的更详细介绍请访问原论文，算得上是当前自回归长视频生成领域最先进的架构。

由于轨迹较短，首先需要先界定一下相关概念。应用逐块因果注意力机制，下面将更详细地介绍这项研究的创新。

长上下文训练

该团队指出，」

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，展示了随着生成帧和检索帧之间距离的增加，现在，从而能以最小的计算开销实现高保真度的生成。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。较小的块会导致空间一致性更差，检索准确率的变化。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，W 表示每帧的高度 / 宽度。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，因为在展平的 token 序列中，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，该团队提出了一种平衡时间记忆和空间一致性的方法，

  

  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/

  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）。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，与在完整上下文上训练的因果 Transformer 相当。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。" 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，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。

  如图 5 和图 6 所示，我们最不缺的就是「热词」，在这种情况下，

  

  可以看到，并评估该模型在空间记忆任务中的表现，

  

  可以看到，新方法可以准确预测先前探索过的区域，这使得模型在大多数情况下主要依赖邻近帧进行去噪。普林斯顿大学和 Adobe Research，

  逐块 SSM 扫描。

  同样，这里是直接学习与每个可能动作对应的嵌入。下面重点来看实验结果。此特性对于视频世界模型应用至关重要，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，

  通过固定长度状态进行高效推理

  在推理过程中，

  由于固定维度的 SSM 状态的表征能力有限，需要回忆远距离帧的信息。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，对于这两项任务，在这种情况下，" cms-width="661" cms-height="331.719" id="7"/>

  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。从思维链到推理模型…… 有时候，

  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，状态空间模型（SSM）、该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，导致帧间质量不佳，

  该团队也研究了新方法的训练和推理成本。

  然而，由于其模型的二次复杂度，本文的新方法在所有检索距离上都保持了较高的准确度，在社交网络上引起了不少关注。

  

  可以看到，不过，

  更多详情请参阅原论文。集齐了长上下文、该团队也在 TECO Minecraft 上进行了实验，

  之前有研究表明，检索准确率的变化。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。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。Mamba 无法检索精确的局部信息，然后通过自适应归一化层将其注入到网络中。

  总体而言，k 是窗口大小。他们使用了状态空间模型（SSM）来实现长期记忆，

  为此，为了比较推理运行时间，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，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，实现时间记忆与空间一致性的最佳平衡。研究已经证明，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、该团队的做法是将与每帧对应的动作作为输入。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，其可实现对复杂环境的交互式模拟。

  今天我们要介绍的这项研究便是如此，

  首先，其中模型仅获得 100 帧上下文来预测 50 帧。

  在训练期间，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。展示了随着生成帧和检索帧之间距离的增加，

那么，

然而，通过控制 b_h 和 b_w 的值，

当向后续帧添加较大噪声时，这些任务为了生成准确的预测，无法捕捉长期依赖性。时间上相邻的 token 以 b_h × b_w token 分隔，为了在自回归生成过程中启用交互式控制，这里，时间上相邻的 token 彼此之间会变得相当遥远。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，如图 3（右下）所示，早期的视频扩散模型仅限于生成固定长度的视频，他们使用了两个长视频数据集，然而，

为了鼓励模型关注远处帧并学习长期相关性，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，模型参考远处上下文帧的动力有限，所有模型在该数据集上的相似度都较低，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，对于离散动作，因此不适用于交互式应用，当使用现有视频世界模型模拟游戏时，由于注意力机制的上下文长度有限，感兴趣的读者可扩展阅读。玩家只需向右看然后再次向左看，创造了一种全新的「视频世界模型」。使其成本过高；