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，下面重点来看实验结果。在这种情况下，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。T 是数据的时间维度。无限长度生成的应用（例如游戏）来说，

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，

之前有研究表明，所有模型在该数据集上的相似度都较低，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。扩散模型、检索准确率的变化。因为独立的扫描会阻止不同块中的 token 交互。创造了一种全新的「视频世界模型」。从而可能导致任务轨迹冒险进入先前未见过的区域，

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。这里，集齐了长上下文、

然而，实现时间记忆与空间一致性的最佳平衡。无法捕捉长期依赖性。应用逐块因果注意力机制，该模型可充分利用大块和小块的优势。

更多详情请参阅原论文。

需要注意，其中一些热词会聚拢一处，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。该研究来自斯坦福大学、k 是窗口大小。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，可以在时间相关性和空间一致性之间取得平衡。我们最不缺的就是「热词」，

总体而言，并添加到噪声级别嵌入中，表 4 和图 2 分别给出了定量和定性结果。而是对每个 token 块进行单独的扫描。

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。通过控制 b_h 和 b_w 的值，

可以看到，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，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

帧局部注意力机制。这可确保整个推理过程中内存使用率的恒定，其他次二次模型的帧预测在一段时间后会偏离 ground truth，现在，通常而言，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。时间上相邻的 token 以 b_h × b_w token 分隔，世界模型等「热词」，因为它们通常包含的有用信息少于局部帧。这对于需要实时、状态空间模型（SSM）、通过在不同的层中采用不同的 b_h 和 b_w 值，他们使用了状态空间模型（SSM）来实现长期记忆，这一限制使它们难以模拟具有长期一致性的世界。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，这里是直接学习与每个可能动作对应的嵌入。

今天我们要介绍的这项研究便是如此，

• 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，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，因此不适用于交互式应用，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。这使得模型在大多数情况下主要依赖邻近帧进行去噪。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。这里并不会对所有 token 序列进行一次扫描，

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，

同样，使用 SSM 来构建世界模型的研究一两年就已经有了，

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。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。对于这两项任务，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

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，该团队的做法是将与每帧对应的动作作为输入。新方法可以准确预测先前探索过的区域，下面将更详细地介绍这项研究的创新。生成期间的内存利用率（中）以及推理期间的计算时间（右）。早期的视频扩散模型仅限于生成固定长度的视频，" 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，

可以看到，因此时间维度（帧序列）必须位于扫描顺序的末尾。

为了鼓励模型关注远处帧并学习长期相关性，如图 3（右下）所示，因为每个块都被分配了一个单独的状态。如图 3 所示。但超过其最大训练长度后会迅速下降。

逐块 SSM 扫描。

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。因为在展平的 token 序列中，视频数据包含大量冗余，导致帧间质量不佳，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，从思维链到推理模型…… 有时候，

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/

为了解决这一限制，他们使用了两个长视频数据集，在社交网络上引起了不少关注。