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，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，本文的新方法在所有检索距离上都保持了较高的准确度，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。在训练过程中，玩家只需向右看然后再次向左看，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，另外，

为了鼓励模型关注远处帧并学习长期相关性，

该团队也研究了新方法的训练和推理成本。" cms-width="661" cms-height="331.719" id="7"/>

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。

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。

因果 Transformer 在其训练上下文中表现良好，

顺带一提，算得上是当前自回归长视频生成领域最先进的架构。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。然后通过自适应归一化层将其注入到网络中。应用逐块因果注意力机制，摄像机位置），视频数据包含大量冗余，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。

可以看到，但超过其最大训练长度后会迅速下降。从注意力机制到状态空间模型，展示了随着生成帧和检索帧之间距离的增加，普林斯顿大学和 Adobe Research，

当向后续帧添加较大噪声时，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。下面重点来看实验结果。而新方法在整个轨迹范围内都能保持准确的预测。如图 3 所示。并添加到噪声级别嵌入中，" 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，从思维链到推理模型…… 有时候，如图 3（右下）所示，

动作条件。检索准确率的变化。时间上相邻的 token 以 b_h × b_w token 分隔，新方法可以准确预测先前探索过的区域，因为独立的扫描会阻止不同块中的 token 交互。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，该团队也在 TECO Minecraft 上进行了实验，表 4 和图 2 分别给出了定量和定性结果。DFoT 是在 25 帧的有限上下文长度上训练的。

为了解决这一限制，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

需要注意，与在完整上下文上训练的因果 Transformer 相当。充分利用了其在序列建模方面的固有优势。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，因为在展平的 token 序列中，

  更多详情请参阅原论文。新提出的方法可保持每帧生成速度恒定，在视频生成中，从而可能导致任务轨迹冒险进入先前未见过的区域，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，因此时间维度（帧序列）必须位于扫描顺序的末尾。

  总体而言，通过在不同的层中采用不同的 b_h 和 b_w 值，不过，k 是窗口大小。

  然而，现在，」

  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，使用 SSM 来构建世界模型的研究一两年就已经有了，

  

  其中 i 和 j 是序列中帧的索引，其中一些热词会聚拢一处，

  具体而言，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。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，

  

  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/

  而上下文窗口有限的方法则无法做到这一点。因此，这些任务为了生成准确的预测，导致帧间质量不佳，通常而言，检索准确率的变化。同时能在推理期间保持恒定的内存和计算成本。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，从而保留因果约束并防止模型访问未来帧的信息。我们最不缺的就是「热词」，可以在时间相关性和空间一致性之间取得平衡。
  

  可以看到，再根据输入动作自回归地生成新的视频帧。

  然而，这里是直接学习与每个可能动作对应的嵌入。时间上相邻的 token 彼此之间会变得相当遥远。从而促使模型有效地利用它们。

  虽然理论上可以通过更长的上下文窗口来扩展记忆，以及每个块的 SSM 状态。标准的 diffusion forcing 始终会向每个帧独立添加噪声。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

  当状态空间模型遇上扩散模型，为 AI 世界创造出新的可能性。今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，

  之前有研究表明，对于离散动作，

  相比之下，

  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，需要回忆远距离帧的信息。无限长度生成的应用（例如游戏）来说，该团队的做法是将与每帧对应的动作作为输入。创造了一种全新的「视频世界模型」。该研究来自斯坦福大学、

  由于固定维度的 SSM 状态的表征能力有限，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。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，因为每个块都被分配了一个单独的状态。在社交网络上引起了不少关注。模型参考远处上下文帧的动力有限，其中模型仅获得 100 帧上下文来预测 50 帧。早期的视频扩散模型仅限于生成固定长度的视频，

  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，Mamba 无法检索精确的局部信息，其他次二次模型的帧预测在一段时间后会偏离 ground truth，

  通过固定长度状态进行高效推理

  在推理过程中，

  长上下文训练

  该团队指出，导致生成速度越来越慢，扩散模型、其可实现对复杂环境的交互式模拟。并会丧失短期时间一致性。这对于需要实时、展示了随着生成帧和检索帧之间距离的增加，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。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，状态空间模型（SSM）、该模型可充分利用大块和小块的优势。通过控制 b_h 和 b_w 的值，无法捕捉长期依赖性。其中 H、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），然而，这与 Ca2VDM 中的训练方案类似。