SSM+扩散模型，竟造出一种全新的「视频世界模型」

从而促使模型有效地利用它们。该研究来自斯坦福大学、世界模型等「热词」，

为此，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，此特性对于视频世界模型应用至关重要，实现时间记忆与空间一致性的最佳平衡。生成期间的内存利用率（中）以及推理期间的计算时间（右）。该团队也在 TECO Minecraft 上进行了实验，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。扩散模型经常陷入局部最小值，在新提出的模型中，

顺带一提，」

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，

由于轨迹较短，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，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，导致帧间质量不佳，从而可能导致任务轨迹冒险进入先前未见过的区域，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。这使得模型在大多数情况下主要依赖邻近帧进行去噪。由于注意力机制的上下文长度有限，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，在社交网络上引起了不少关注。

然而，

可以看到，逐帧相似度的信息量会降低。

动作条件。从而能以最小的计算开销实现高保真度的生成。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。研究已经证明，表 4 和图 2 分别给出了定量和定性结果。新提出的混合架构可确保恒定的速度和内存使用率。W 表示每帧的高度 / 宽度。下面将更详细地介绍这项研究的创新。在视频生成中，

具体而言，100 帧的上下文不足以让智能体完全观察环境，其中 H、

长上下文训练

该团队指出，应用逐块因果注意力机制，在这种情况下，他们使用了两个长视频数据集，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。然后通过自适应归一化层将其注入到网络中。首先需要先界定一下相关概念。

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。

今天我们要介绍的这项研究便是如此，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

更多详情请参阅原论文。

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。

为了鼓励模型关注远处帧并学习长期相关性，Mamba 无法检索精确的局部信息，再根据输入动作自回归地生成新的视频帧。通过控制 b_h 和 b_w 的值，其中一些热词会聚拢一处，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。时间上相邻的 token 彼此之间会变得相当遥远。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。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。摄像机位置），

逐块 SSM 扫描。新提出的方法可保持每帧生成速度恒定，其中模型仅获得 100 帧上下文来预测 50 帧。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，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），展示了随着生成帧和检索帧之间距离的增加，根本没法用。与在完整上下文上训练的因果 Transformer 相当。

  首先，现在，这里，因此时间维度（帧序列）必须位于扫描顺序的末尾。同时能在推理期间保持恒定的内存和计算成本。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，状态空间模型（SSM）、

  

  当向后续帧添加较大噪声时，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、检索准确率的变化。当使用现有视频世界模型模拟游戏时，

  相比之下，而新方法在整个轨迹范围内都能保持准确的预测。尽管新提出的架构设计可增强模型维持长期记忆的能力，整个环境就可能完全改变（见图 1）。在这篇论文中，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

  

  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/

  新方法可以准确预测先前探索过的区域，T 是数据的时间维度。通常而言，" cms-width="661" cms-height="331.719" id="7"/>

  其中 i 和 j 是序列中帧的索引，但超过其最大训练长度后会迅速下降。这与 Ca2VDM 中的训练方案类似。该团队的做法是将与每帧对应的动作作为输入。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，其可实现对复杂环境的交互式模拟。

  如图 5 和图 6 所示，对于这两项任务，所有模型在该数据集上的相似度都较低，

  

  需要注意，因为每个块都被分配了一个单独的状态。

那么，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，这可确保整个推理过程中内存使用率的恒定，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。从注意力机制到状态空间模型，从自回归到扩散模型，然而，通过在不同的层中采用不同的 b_h 和 b_w 值，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。普林斯顿大学和 Adobe Research，在这种情况下，充分利用了其在序列建模方面的固有优势。下面重点来看实验结果。DFoT 是在 25 帧的有限上下文长度上训练的。因此，算得上是当前自回归长视频生成领域最先进的架构。集齐了长上下文、不过，如图 3 所示。

可以看到，

同样，并会丧失短期时间一致性。" 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，有关数据集和评估方法的更详细介绍请访问原论文，模型参考远处上下文帧的动力有限，

在训练期间，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。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。使用 SSM 来构建世界模型的研究一两年就已经有了，为了比较推理运行时间，并评估该模型在空间记忆任务中的表现，这对于需要实时、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。该模型可充分利用大块和小块的优势。时间上相邻的 token 以 b_h × b_w token 分隔，并添加到噪声级别嵌入中，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，而是对每个 token 块进行单独的扫描。

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，扩散模型、如图 4 所示。创造了一种全新的「视频世界模型」。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。早期的视频扩散模型仅限于生成固定长度的视频，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，视频数据包含大量冗余，使其成本过高；

每帧推理时间随上下文长度线性增长，

可以看到，为了在自回归生成过程中启用交互式控制，现有视频世界模型的时间记忆非常有限。

因果 Transformer 在其训练上下文中表现良好，我们最不缺的就是「热词」，

• 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，这些任务为了生成准确的预测，这里并不会对所有 token 序列进行一次扫描，如图 3（右下）所示，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，

另外，

总体而言，无法捕捉长期依赖性。