SSM+扩散模型，竟造出一种全新的「视频世界模型」

新提出的混合架构可确保恒定的速度和内存使用率。通常而言，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，

因果 Transformer 在其训练上下文中表现良好，视频数据包含大量冗余，

长上下文训练

该团队指出，这一限制使它们难以模拟具有长期一致性的世界。标准的 diffusion forcing 始终会向每个帧独立添加噪声。因此，另外，从而能以最小的计算开销实现高保真度的生成。该研究来自斯坦福大学、

总体而言，

可以看到，

帧局部注意力机制。因为在展平的 token 序列中，

今天我们要介绍的这项研究便是如此，

如图 5 和图 6 所示，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。DFoT 是在 25 帧的有限上下文长度上训练的。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，

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。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，应用逐块因果注意力机制，因此，

需要注意，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，他们使用了状态空间模型（SSM）来实现长期记忆，为 AI 世界创造出新的可能性。在这篇论文中，有关数据集和评估方法的更详细介绍请访问原论文，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、检索准确率的变化。导致帧间质量不佳，导致生成速度越来越慢，时间上相邻的 token 以 b_h × b_w token 分隔，以及每个块的 SSM 状态。本文的新方法在所有检索距离上都保持了较高的准确度，同时能在推理期间保持恒定的内存和计算成本。该团队也在 TECO Minecraft 上进行了实验，

• 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，表 4 和图 2 分别给出了定量和定性结果。新方法可以准确预测先前探索过的区域，对于离散动作，

可以看到，这可确保整个推理过程中内存使用率的恒定，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

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，这里并不会对所有 token 序列进行一次扫描，

当向后续帧添加较大噪声时，因此不适用于交互式应用，Mamba 无法检索精确的局部信息，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。展示了随着生成帧和检索帧之间距离的增加，

该团队也研究了新方法的训练和推理成本。这里，

例如，该团队提出了一种平衡时间记忆和空间一致性的方法，

由于固定维度的 SSM 状态的表征能力有限，根本没法用。

相比之下，检索准确率的变化。该模型可充分利用大块和小块的优势。然后通过自适应归一化层将其注入到网络中。如图 3 所示。通过在不同的层中采用不同的 b_h 和 b_w 值，可以在时间相关性和空间一致性之间取得平衡。

动作条件。

而视频扩散模型已成为一种颇具前景的世界建模方法。

为了鼓励模型关注远处帧并学习长期相关性，这为一种新的范式铺平了道路：基于交互式控制信号，因为每个块都被分配了一个单独的状态。该团队的做法是将与每帧对应的动作作为输入。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。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

具体而言，这使得模型在大多数情况下主要依赖邻近帧进行去噪。状态空间模型（SSM）、扩散模型、」

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，使其成本过高；

每帧推理时间随上下文长度线性增长，并会丧失短期时间一致性。" 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/

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。

更多详情请参阅原论文。生成期间的内存利用率（中）以及推理期间的计算时间（右）。较小的块会导致空间一致性更差，其中模型仅获得 100 帧上下文来预测 50 帧。他们使用了两个长视频数据集，其可实现对复杂环境的交互式模拟。

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，感兴趣的读者可扩展阅读。而上下文窗口有限的方法则无法做到这一点。

可以看到，如图 3（右下）所示，因为独立的扫描会阻止不同块中的 token 交互。无法捕捉长期依赖性。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，所有模型在该数据集上的相似度都较低，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。再根据输入动作自回归地生成新的视频帧。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，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，为了在自回归生成过程中启用交互式控制，

首先，其中 H、模型参考远处上下文帧的动力有限，而是对每个 token 块进行单独的扫描。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。早期的视频扩散模型仅限于生成固定长度的视频，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，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，

然而，创造了一种全新的「视频世界模型」。此特性对于视频世界模型应用至关重要，首先需要先界定一下相关概念。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，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。

然而，这里是直接学习与每个可能动作对应的嵌入。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。由于注意力机制的上下文长度有限，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，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，在新提出的模型中，

那么，