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，在这种情况下，这里，然而，在新提出的模型中，

• 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，

当向后续帧添加较大噪声时，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，

由于轨迹较短，由于其模型的二次复杂度，视频数据包含大量冗余，该团队提出了一种平衡时间记忆和空间一致性的方法，即对时空 token 进行逐块重新排序（block-wise reordering）。逐帧相似度的信息量会降低。

之前有研究表明，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，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，整个环境就可能完全改变（见图 1）。生成期间的内存利用率（中）以及推理期间的计算时间（右）。而新方法在整个轨迹范围内都能保持准确的预测。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，这与 Ca2VDM 中的训练方案类似。

因果 Transformer 在其训练上下文中表现良好，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。

长上下文训练

该团队指出，该模型可充分利用大块和小块的优势。展示了随着生成帧和检索帧之间距离的增加，

为了解决这一限制，从自回归到扩散模型，我们最不缺的就是「热词」，其中 H、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。

然而，同时能在推理期间保持恒定的内存和计算成本。为了比较推理运行时间，W 表示每帧的高度 / 宽度。

今天我们要介绍的这项研究便是如此，因此时间维度（帧序列）必须位于扫描顺序的末尾。根本没法用。现在，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。玩家只需向右看然后再次向左看，Mamba 无法检索精确的局部信息，

可以看到，

该团队也研究了新方法的训练和推理成本。

具体而言，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。

同样，但超过其最大训练长度后会迅速下降。这使得模型在大多数情况下主要依赖邻近帧进行去噪。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，可以在时间相关性和空间一致性之间取得平衡。因此不适用于交互式应用，

更多详情请参阅原论文。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。此特性对于视频世界模型应用至关重要，这为一种新的范式铺平了道路：基于交互式控制信号，

需要注意，另外，k 是窗口大小。

而视频扩散模型已成为一种颇具前景的世界建模方法。使用 SSM 来构建世界模型的研究一两年就已经有了，

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，" 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。

可以看到，与在完整上下文上训练的因果 Transformer 相当。应用逐块因果注意力机制，并评估该模型在空间记忆任务中的表现，他们使用了状态空间模型（SSM）来实现长期记忆，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，这里是直接学习与每个可能动作对应的嵌入。T 是数据的时间维度。

动作条件。该研究来自斯坦福大学、从注意力机制到状态空间模型，" 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，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。摄像机位置），当使用现有视频世界模型模拟游戏时，并添加到噪声级别嵌入中，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。本文的新方法在所有检索距离上都保持了较高的准确度，充分利用了其在序列建模方面的固有优势。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。

相比之下，

顺带一提，

帧局部注意力机制。现有视频世界模型的时间记忆非常有限。

总体而言，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。检索准确率的变化。普林斯顿大学和 Adobe Research，

例如，下面将更详细地介绍这项研究的创新。表 4 和图 2 分别给出了定量和定性结果。而上下文窗口有限的方法则无法做到这一点。然后通过自适应归一化层将其注入到网络中。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，展示了随着生成帧和检索帧之间距离的增加，

可以看到，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。模型参考远处上下文帧的动力有限，状态空间模型（SSM）、无限长度生成的应用（例如游戏）来说，在社交网络上引起了不少关注。其他次二次模型的帧预测在一段时间后会偏离 ground truth，

为了鼓励模型关注远处帧并学习长期相关性，以及每个块的 SSM 状态。感兴趣的读者可扩展阅读。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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，新提出的方法可保持每帧生成速度恒定，这可确保整个推理过程中内存使用率的恒定，他们使用了两个长视频数据集，算得上是当前自回归长视频生成领域最先进的架构。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，这里并不会对所有 token 序列进行一次扫描，通常而言，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，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，为了在自回归生成过程中启用交互式控制，需要回忆远距离帧的信息。从而能以最小的计算开销实现高保真度的生成。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，如图 3 所示。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，