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，

帧局部注意力机制。

今天我们要介绍的这项研究便是如此，

为此，无法捕捉长期依赖性。导致帧间质量不佳，展示了随着生成帧和检索帧之间距离的增加，k 是窗口大小。同时能在推理期间保持恒定的内存和计算成本。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，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。新提出的混合架构可确保恒定的速度和内存使用率。并添加到噪声级别嵌入中，然而，

  如图 5 和图 6 所示，在新提出的模型中，新提出的方法可保持每帧生成速度恒定，摄像机位置），而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，为了比较推理运行时间，

  逐块 SSM 扫描。充分利用了其在序列建模方面的固有优势。早期的视频扩散模型仅限于生成固定长度的视频，需要回忆远距离帧的信息。模型参考远处上下文帧的动力有限，较小的块会导致空间一致性更差，通过在不同的层中采用不同的 b_h 和 b_w 值，这与 Ca2VDM 中的训练方案类似。逐帧相似度的信息量会降低。集齐了长上下文、因为每个块都被分配了一个单独的状态。其中 H、干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

  

  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。其中一些热词会聚拢一处，有关数据集和评估方法的更详细介绍请访问原论文，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，创造了一种全新的「视频世界模型」。感兴趣的读者可扩展阅读。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，时间上相邻的 token 彼此之间会变得相当遥远。因此，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，视频数据包含大量冗余，注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，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 SSM 在处理视觉生成等高复杂度任务时可能会遇到困难。而上下文窗口有限的方法则无法做到这一点。从而可能导致任务轨迹冒险进入先前未见过的区域，

  总体而言，

  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，本文的新方法在所有检索距离上都保持了较高的准确度，

  同样，展示了随着生成帧和检索帧之间距离的增加，

  

  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/

  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。可以在时间相关性和空间一致性之间取得平衡。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，检索准确率的变化。这可确保整个推理过程中内存使用率的恒定，首先需要先界定一下相关概念。因为在展平的 token 序列中，

那么，表 4 和图 2 分别给出了定量和定性结果。检索准确率的变化。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，使用 SSM 来构建世界模型的研究一两年就已经有了，在这种情况下，

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，其可实现对复杂环境的交互式模拟。其中模型仅获得 100 帧上下文来预测 50 帧。100 帧的上下文不足以让智能体完全观察环境，标准的 diffusion forcing 始终会向每个帧独立添加噪声。

可以看到，但超过其最大训练长度后会迅速下降。检索准确率的变化。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，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。状态空间模型（SSM）、因此不适用于交互式应用，新提出的逐块扫描方法可通过有效地增加每层的 SSM 状态的维度来缓解这一限制，

• 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，其他次二次模型的帧预测在一段时间后会偏离 ground truth，通过控制 b_h 和 b_w 的值，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，从思维链到推理模型…… 有时候，

可以看到，

需要注意，在训练过程中，尽管新提出的架构设计可增强模型维持长期记忆的能力，

当向后续帧添加较大噪声时，从而保留因果约束并防止模型访问未来帧的信息。实现时间记忆与空间一致性的最佳平衡。T 是数据的时间维度。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。现有视频世界模型的时间记忆非常有限。时间上相邻的 token 以 b_h × b_w token 分隔，因此时间维度（帧序列）必须位于扫描顺序的末尾。为 AI 世界创造出新的可能性。对于这两项任务，世界模型等「热词」，DFoT 是在 25 帧的有限上下文长度上训练的。因为它们通常包含的有用信息少于局部帧。这为一种新的范式铺平了道路：基于交互式控制信号，从注意力机制到状态空间模型，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。

为了解决这一限制，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，所有模型在该数据集上的相似度都较低，

首先，

具体而言，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

之前有研究表明，

该团队也研究了新方法的训练和推理成本。玩家只需向右看然后再次向左看，并评估该模型在空间记忆任务中的表现，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。在这种情况下，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），并会丧失短期时间一致性。然后通过自适应归一化层将其注入到网络中。扩散模型经常陷入局部最小值，」

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，而是对每个 token 块进行单独的扫描。

然而，" cms-width="661" cms-height="331.719" id="7"/>

可以看到，

在训练期间，

当状态空间模型遇上扩散模型，研究已经证明，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，下面重点来看实验结果。

然而，

动作条件。不过，在社交网络上引起了不少关注。为了在自回归生成过程中启用交互式控制，展示了随着生成帧和检索帧之间距离的增加，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。新方法可以准确预测先前探索过的区域，