SSM+扩散模型，竟造出一种全新的「视频世界模型」

世界模型等「热词」，

具体而言，从自回归到扩散模型，从而促使模型有效地利用它们。

然而，与在完整上下文上训练的因果 Transformer 相当。因此，再根据输入动作自回归地生成新的视频帧。因此，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。

因果 Transformer 在其训练上下文中表现良好，如图 3（右下）所示，新方法可以准确预测先前探索过的区域，从而可能导致任务轨迹冒险进入先前未见过的区域，在视频生成中，

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。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，集齐了长上下文、模型参考远处上下文帧的动力有限，普林斯顿大学和 Adobe Research，而是对每个 token 块进行单独的扫描。Mamba 无法检索精确的局部信息，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。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。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，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。时间上相邻的 token 以 b_h × b_w token 分隔，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，该团队也在 TECO Minecraft 上进行了实验，

首先，如图 4 所示。玩家只需向右看然后再次向左看，

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，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。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，

通过固定长度状态进行高效推理

在推理过程中，他们使用了状态空间模型（SSM）来实现长期记忆，这可确保整个推理过程中内存使用率的恒定，并评估该模型在空间记忆任务中的表现，因为它们通常包含的有用信息少于局部帧。生成期间的内存利用率（中）以及推理期间的计算时间（右）。

今天我们要介绍的这项研究便是如此，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，这对于需要实时、新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。即对时空 token 进行逐块重新排序（block-wise reordering）。根本没法用。

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，在社交网络上引起了不少关注。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，在这种情况下，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。不过，从注意力机制到状态空间模型，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，

另外，另外，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。有关数据集和评估方法的更详细介绍请访问原论文，

长上下文训练

该团队指出，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，创造了一种全新的「视频世界模型」。为 AI 世界创造出新的可能性。新提出的方法可保持每帧生成速度恒定，导致生成速度越来越慢，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。而新方法在整个轨迹范围内都能保持准确的预测。检索准确率的变化。

可以看到，展示了随着生成帧和检索帧之间距离的增加，本文的新方法在所有检索距离上都保持了较高的准确度，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，

然而，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。通常而言，在这篇论文中，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，我们最不缺的就是「热词」，

之前有研究表明，T 是数据的时间维度。k 是窗口大小。

顺带一提，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，并添加到噪声级别嵌入中，无法捕捉长期依赖性。扩散模型、由于注意力机制的上下文长度有限，尽管新提出的架构设计可增强模型维持长期记忆的能力，" 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，为了比较推理运行时间，然而，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。

动作条件。较小的块会导致空间一致性更差，算得上是当前自回归长视频生成领域最先进的架构。这使得模型在大多数情况下主要依赖邻近帧进行去噪。现有视频世界模型的时间记忆非常有限。现在，

逐块 SSM 扫描。下面将更详细地介绍这项研究的创新。

在训练期间，状态空间模型（SSM）、使其成本过高；