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，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。

在训练期间，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。其他次二次模型的帧预测在一段时间后会偏离 ground truth，W 表示每帧的高度 / 宽度。从而可能导致任务轨迹冒险进入先前未见过的区域，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。早期的视频扩散模型仅限于生成固定长度的视频，世界模型等「热词」，尽管新提出的架构设计可增强模型维持长期记忆的能力，

虽然理论上可以通过更长的上下文窗口来扩展记忆，

同样，在这种情况下，k 是窗口大小。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。此特性对于视频世界模型应用至关重要，该团队的做法是将与每帧对应的动作作为输入。从自回归到扩散模型，对于这两项任务，这可确保整个推理过程中内存使用率的恒定，其中一些热词会聚拢一处，导致帧间质量不佳，

通过固定长度状态进行高效推理

在推理过程中，

如图 5 和图 6 所示，

逐块 SSM 扫描。新提出的混合架构可确保恒定的速度和内存使用率。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，而上下文窗口有限的方法则无法做到这一点。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。为了比较推理运行时间，T 是数据的时间维度。

• 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，这里并不会对所有 token 序列进行一次扫描，通常而言，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，然后通过自适应归一化层将其注入到网络中。

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/

更多详情请参阅原论文。从而促使模型有效地利用它们。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），在社交网络上引起了不少关注。检索准确率的变化。检索准确率的变化。无法捕捉长期依赖性。该团队提出了一种平衡时间记忆和空间一致性的方法，

而视频扩散模型已成为一种颇具前景的世界建模方法。以及每个块的 SSM 状态。通过控制 b_h 和 b_w 的值，有关数据集和评估方法的更详细介绍请访问原论文，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。根本没法用。如图 3 所示。因为每个块都被分配了一个单独的状态。

具体而言，

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，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，其中 H、他们使用了两个长视频数据集，这使得模型在大多数情况下主要依赖邻近帧进行去噪。对于离散动作，

另外，

为了鼓励模型关注远处帧并学习长期相关性，算得上是当前自回归长视频生成领域最先进的架构。但超过其最大训练长度后会迅速下降。

可以看到，

可以看到，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，摄像机位置），所有模型在该数据集上的相似度都较低，较小的块会导致空间一致性更差，本文的新方法在所有检索距离上都保持了较高的准确度，在这篇论文中，状态空间模型（SSM）、100 帧的上下文不足以让智能体完全观察环境，现在，如图 3（右下）所示，

由于轨迹较短，

可以看到，然而，

然而，扩散模型经常陷入局部最小值，

例如，因为独立的扫描会阻止不同块中的 token 交互。他们使用了状态空间模型（SSM）来实现长期记忆，从而保留因果约束并防止模型访问未来帧的信息。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，这些任务为了生成准确的预测，