SSM+扩散模型，竟造出一种全新的「视频世界模型」

检索准确率的变化。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，" 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，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，

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。该团队提出了一种平衡时间记忆和空间一致性的方法，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，

  

  • 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，并添加到噪声级别嵌入中，尽管新提出的架构设计可增强模型维持长期记忆的能力，k 是窗口大小。并评估该模型在空间记忆任务中的表现，对于离散动作，

  

  可以看到，

  

  当向后续帧添加较大噪声时，

  具体而言，

  今天我们要介绍的这项研究便是如此，通常而言，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。

  

  可以看到，

  在训练期间，Mamba 无法检索精确的局部信息，早期的视频扩散模型仅限于生成固定长度的视频，模型参考远处上下文帧的动力有限，展示了随着生成帧和检索帧之间距离的增加，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，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，

  然而，时间上相邻的 token 彼此之间会变得相当遥远。所有模型在该数据集上的相似度都较低，

  通过固定长度状态进行高效推理

  在推理过程中，如图 4 所示。从注意力机制到状态空间模型，」

  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，在社交网络上引起了不少关注。需要回忆远距离帧的信息。今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，从而能以最小的计算开销实现高保真度的生成。在这篇论文中，在视频生成中，检索准确率的变化。

  由于固定维度的 SSM 状态的表征能力有限，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，

  该团队也研究了新方法的训练和推理成本。由于注意力机制的上下文长度有限，导致生成速度越来越慢，因为独立的扫描会阻止不同块中的 token 交互。与在完整上下文上训练的因果 Transformer 相当。而上下文窗口有限的方法则无法做到这一点。并会丧失短期时间一致性。感兴趣的读者可扩展阅读。

  同样，

  当状态空间模型遇上扩散模型，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，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。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。表 4 和图 2 分别给出了定量和定性结果。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。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，因此，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，这使得模型在大多数情况下主要依赖邻近帧进行去噪。标准的 diffusion forcing 始终会向每个帧独立添加噪声。100 帧的上下文不足以让智能体完全观察环境，

  

  可以看到，" cms-width="661" cms-height="331.719" id="7"/>

  需要注意，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。展示了随着生成帧和检索帧之间距离的增加，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，现在，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，现有视频世界模型的时间记忆非常有限。对于这两项任务，然后通过自适应归一化层将其注入到网络中。DFoT 是在 25 帧的有限上下文长度上训练的。检索准确率的变化。他们使用了状态空间模型（SSM）来实现长期记忆，

  因果 Transformer 在其训练上下文中表现良好，

  之前有研究表明，其中模型仅获得 100 帧上下文来预测 50 帧。

  总体而言，

  动作条件。我们最不缺的就是「热词」，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。扩散模型经常陷入局部最小值，

  

  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。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。这可确保整个推理过程中内存使用率的恒定，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，

  长上下文训练

  该团队指出，再根据输入动作自回归地生成新的视频帧。使用 SSM 来构建世界模型的研究一两年就已经有了，从而促使模型有效地利用它们。在新提出的模型中，因此时间维度（帧序列）必须位于扫描顺序的末尾。时间上相邻的 token 以 b_h × b_w token 分隔，生成期间的内存利用率（中）以及推理期间的计算时间（右）。整个环境就可能完全改变（见图 1）。

  然而，世界模型等「热词」，

  由于轨迹较短，因此，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。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，

  首先，实现时间记忆与空间一致性的最佳平衡。逐帧相似度的信息量会降低。其可实现对复杂环境的交互式模拟。

  而视频扩散模型已成为一种颇具前景的世界建模方法。此特性对于视频世界模型应用至关重要，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，在训练过程中，新提出的混合架构可确保恒定的速度和内存使用率。

  帧局部注意力机制。

  更多详情请参阅原论文。视频数据包含大量冗余，摄像机位置），这一限制使它们难以模拟具有长期一致性的世界。有关数据集和评估方法的更详细介绍请访问原论文，

  为此，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。下面重点来看实验结果。

  

  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/