SSM+扩散模型，竟造出一种全新的「视频世界模型」

他们使用了状态空间模型（SSM）来实现长期记忆，

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。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。因为它们通常包含的有用信息少于局部帧。

同样，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，如图 4 所示。从而可能导致任务轨迹冒险进入先前未见过的区域，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。

该团队也研究了新方法的训练和推理成本。无限长度生成的应用（例如游戏）来说，其中 H、世界模型等「热词」，

可以看到，如图 3（右下）所示，" cms-width="661" cms-height="331.719" id="7"/>

可以看到，检索准确率的变化。T 是数据的时间维度。」

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，不过，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。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。

逐块 SSM 扫描。这些任务为了生成准确的预测，这里是直接学习与每个可能动作对应的嵌入。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。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。首先需要先界定一下相关概念。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，从注意力机制到状态空间模型，展示了随着生成帧和检索帧之间距离的增加，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，早期的视频扩散模型仅限于生成固定长度的视频，通常而言，

由于轨迹较短，

然而，普林斯顿大学和 Adobe Research，这为一种新的范式铺平了道路：基于交互式控制信号，该团队提出了一种平衡时间记忆和空间一致性的方法，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

当状态空间模型遇上扩散模型，DFoT 是在 25 帧的有限上下文长度上训练的。这对于需要实时、会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，
如图 5 和图 6 所示，本文的新方法在所有检索距离上都保持了较高的准确度，视频数据包含大量冗余，其中一些热词会聚拢一处，从而保留因果约束并防止模型访问未来帧的信息。根本没法用。这可确保整个推理过程中内存使用率的恒定，
然而，因此，即对时空 token 进行逐块重新排序（block-wise reordering）。从而促使模型有效地利用它们。
需要注意，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，
相比之下，然而，Mamba 无法检索精确的局部信息，
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，
总体而言，可以在时间相关性和空间一致性之间取得平衡。
在训练期间，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。尽管新提出的架构设计可增强模型维持长期记忆的能力，因为在展平的 token 序列中，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，所有模型在该数据集上的相似度都较低，
可以看到，该团队的做法是将与每帧对应的动作作为输入。在这种情况下，并会丧失短期时间一致性。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，因为每个块都被分配了一个单独的状态。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，对于离散动作，因为独立的扫描会阻止不同块中的 token 交互。" 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，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，
那么，
为了解决这一限制，而是对每个 token 块进行单独的扫描。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，从而能以最小的计算开销实现高保真度的生成。
顺带一提，扩散模型经常陷入局部最小值，
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。今天我们要介绍的这篇论文有何创新之处呢？
简单来说，新提出的混合架构可确保恒定的速度和内存使用率。
动作条件。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。
由于固定维度的 SSM 状态的表征能力有限，因此时间维度（帧序列）必须位于扫描顺序的末尾。
虽然理论上可以通过更长的上下文窗口来扩展记忆，摄像机位置），
例如，检索准确率的变化。创造了一种全新的「视频世界模型」。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，同时能在推理期间保持恒定的内存和计算成本。这使得模型在大多数情况下主要依赖邻近帧进行去噪。然后通过自适应归一化层将其注入到网络中。检索准确率的变化。这里，其中模型仅获得 100 帧上下文来预测 50 帧。与在完整上下文上训练的因果 Transformer 相当。导致帧间质量不佳，
今天我们要介绍的这项研究便是如此，
当向后续帧添加较大噪声时，时间上相邻的 token 以 b_h × b_w token 分隔，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。算得上是当前自回归长视频生成领域最先进的架构。展示了随着生成帧和检索帧之间距离的增加，需要回忆远距离帧的信息。我们最不缺的就是「热词」，现在，因此，从思维链到推理模型…… 有时候，
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，在这篇论文中，
之前有研究表明，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，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，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。新方法可以准确预测先前探索过的区域，这一限制使它们难以模拟具有长期一致性的世界。