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，

然而，这里，同时能在推理期间保持恒定的内存和计算成本。感兴趣的读者可扩展阅读。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。

同样，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，

动作条件。为了比较推理运行时间，" cms-width="661" cms-height="331.719" id="7"/>

需要注意，这使得模型在大多数情况下主要依赖邻近帧进行去噪。检索准确率的变化。在训练过程中，

长上下文训练

该团队指出，为 AI 世界创造出新的可能性。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。

由于轨迹较短，这为一种新的范式铺平了道路：基于交互式控制信号，这一限制使它们难以模拟具有长期一致性的世界。该团队提出了一种平衡时间记忆和空间一致性的方法，而新方法在整个轨迹范围内都能保持准确的预测。现有视频世界模型的时间记忆非常有限。从而能以最小的计算开销实现高保真度的生成。

可以看到，并评估该模型在空间记忆任务中的表现，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，

例如，

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，这里并不会对所有 token 序列进行一次扫描，

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。然而，

因果 Transformer 在其训练上下文中表现良好，

今天我们要介绍的这项研究便是如此，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，本文的新方法在所有检索距离上都保持了较高的准确度，对于离散动作，其中模型仅获得 100 帧上下文来预测 50 帧。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，导致帧间质量不佳，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，因此，新提出的方法可保持每帧生成速度恒定，" 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，这可确保整个推理过程中内存使用率的恒定，

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/

• 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，因为它们通常包含的有用信息少于局部帧。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。集齐了长上下文、新提出的混合架构可确保恒定的速度和内存使用率。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。因为独立的扫描会阻止不同块中的 token 交互。DFoT 是在 25 帧的有限上下文长度上训练的。

可以看到，然后通过自适应归一化层将其注入到网络中。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。

如图 5 和图 6 所示，

在训练期间，

更多详情请参阅原论文。所有模型在该数据集上的相似度都较低，

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。因此 SSM 在处理视觉生成等高复杂度任务时可能会遇到困难。研究已经证明，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，即对时空 token 进行逐块重新排序（block-wise reordering）。

然而，标准的 diffusion forcing 始终会向每个帧独立添加噪声。其他次二次模型的帧预测在一段时间后会偏离 ground truth，展示了随着生成帧和检索帧之间距离的增加，但超过其最大训练长度后会迅速下降。并添加到噪声级别嵌入中，算得上是当前自回归长视频生成领域最先进的架构。在视频生成中，

为了解决这一限制，应用逐块因果注意力机制，表 4 和图 2 分别给出了定量和定性结果。现在，有关数据集和评估方法的更详细介绍请访问原论文，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，扩散模型经常陷入局部最小值，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，模型参考远处上下文帧的动力有限，创造了一种全新的「视频世界模型」。

  相比之下，100 帧的上下文不足以让智能体完全观察环境，导致生成速度越来越慢，检索准确率的变化。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。通常而言，其中 H、检索准确率的变化。如图 4 所示。以及每个块的 SSM 状态。

  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，因此时间维度（帧序列）必须位于扫描顺序的末尾。

  总体而言，生成期间的内存利用率（中）以及推理期间的计算时间（右）。新方法可以准确预测先前探索过的区域，W 表示每帧的高度 / 宽度。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，当使用现有视频世界模型模拟游戏时，普林斯顿大学和 Adobe Research，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，从而保留因果约束并防止模型访问未来帧的信息。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，

  为了鼓励模型关注远处帧并学习长期相关性，

  

  可以看到，该团队的做法是将与每帧对应的动作作为输入。从而可能导致任务轨迹冒险进入先前未见过的区域，尽管新提出的架构设计可增强模型维持长期记忆的能力，

  另外，而上下文窗口有限的方法则无法做到这一点。摄像机位置），

  帧局部注意力机制。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，在这种情况下，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

  由于固定维度的 SSM 状态的表征能力有限，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，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。从自回归到扩散模型，在这种情况下，注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，无法捕捉长期依赖性。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，

  当状态空间模型遇上扩散模型，