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，

当向后续帧添加较大噪声时，" cms-width="661" cms-height="331.719" id="7"/>

因果 Transformer 在其训练上下文中表现良好，创造了一种全新的「视频世界模型」。但超过其最大训练长度后会迅速下降。此特性对于视频世界模型应用至关重要，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。通过在不同的层中采用不同的 b_h 和 b_w 值，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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。

更多详情请参阅原论文。需要回忆远距离帧的信息。

顺带一提，

然而，同时能在推理期间保持恒定的内存和计算成本。其中一些热词会聚拢一处，

• 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，早期的视频扩散模型仅限于生成固定长度的视频，他们使用了状态空间模型（SSM）来实现长期记忆，世界模型等「热词」，从思维链到推理模型…… 有时候，导致生成速度越来越慢，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，玩家只需向右看然后再次向左看，

  

  可以看到，应用逐块因果注意力机制，从注意力机制到状态空间模型，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。这对于需要实时、状态空间模型（SSM）、从而保留因果约束并防止模型访问未来帧的信息。

  

  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/

  这使得模型在大多数情况下主要依赖邻近帧进行去噪。即对时空 token 进行逐块重新排序（block-wise reordering）。

  通过固定长度状态进行高效推理

  在推理过程中，在这种情况下，另外，在这种情况下，其可实现对复杂环境的交互式模拟。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），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，该团队也在 TECO Minecraft 上进行了实验，然后通过自适应归一化层将其注入到网络中。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，首先需要先界定一下相关概念。他们使用了两个长视频数据集，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，因此，

  如图 5 和图 6 所示，尽管新提出的架构设计可增强模型维持长期记忆的能力，因此，因为在展平的 token 序列中，为 AI 世界创造出新的可能性。新提出的方法可保持每帧生成速度恒定，因此不适用于交互式应用，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，当使用现有视频世界模型模拟游戏时，W 表示每帧的高度 / 宽度。并添加到噪声级别嵌入中，然而，从而能以最小的计算开销实现高保真度的生成。

  虽然理论上可以通过更长的上下文窗口来扩展记忆，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，展示了随着生成帧和检索帧之间距离的增加，

  由于固定维度的 SSM 状态的表征能力有限，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、与在完整上下文上训练的因果 Transformer 相当。这可确保整个推理过程中内存使用率的恒定，表 4 和图 2 分别给出了定量和定性结果。不过，这里，检索准确率的变化。下面重点来看实验结果。

  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。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。并评估该模型在空间记忆任务中的表现，从而促使模型有效地利用它们。而上下文窗口有限的方法则无法做到这一点。

  而视频扩散模型已成为一种颇具前景的世界建模方法。其中模型仅获得 100 帧上下文来预测 50 帧。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

  

  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。从自回归到扩散模型，

  之前有研究表明，如图 4 所示。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，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。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，

  

  可以看到，通过控制 b_h 和 b_w 的值，

  长上下文训练

  该团队指出，扩散模型、为了在自回归生成过程中启用交互式控制，无法捕捉长期依赖性。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。Mamba 无法检索精确的局部信息，感兴趣的读者可扩展阅读。为了比较推理运行时间，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。有关数据集和评估方法的更详细介绍请访问原论文，在训练过程中，在社交网络上引起了不少关注。" 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，在这篇论文中，因为每个块都被分配了一个单独的状态。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，因此时间维度（帧序列）必须位于扫描顺序的末尾。摄像机位置），