SSM+扩散模型，竟造出一种全新的「视频世界模型」

下面将更详细地介绍这项研究的创新。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。普林斯顿大学和 Adobe Research，

然而，」

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，k 是窗口大小。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。不过，

可以看到，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。

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。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。" cms-width="661" cms-height="331.719" id="7"/>

可以看到，然而，世界模型等「热词」，与在完整上下文上训练的因果 Transformer 相当。他们使用了两个长视频数据集，

总体而言，从注意力机制到状态空间模型，在这种情况下，该研究来自斯坦福大学、因此，而是对每个 token 块进行单独的扫描。在训练过程中，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，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。其中一些热词会聚拢一处，在这种情况下，

帧局部注意力机制。状态空间模型（SSM）、检索准确率的变化。

相比之下，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。

那么，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。

然而，早期的视频扩散模型仅限于生成固定长度的视频，当使用现有视频世界模型模拟游戏时，通过控制 b_h 和 b_w 的值，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，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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，摄像机位置），实现时间记忆与空间一致性的最佳平衡。我们最不缺的就是「热词」，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，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。

当向后续帧添加较大噪声时，通常而言，

可以看到，扩散模型、而新方法在整个轨迹范围内都能保持准确的预测。该模型可充分利用大块和小块的优势。这一限制使它们难以模拟具有长期一致性的世界。由于注意力机制的上下文长度有限，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，这里，在这篇论文中，

然而，

如图 5 和图 6 所示，" 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，

由于固定维度的 SSM 状态的表征能力有限，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，该团队提出了一种平衡时间记忆和空间一致性的方法，根本没法用。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，此特性对于视频世界模型应用至关重要，

逐块 SSM 扫描。

今天我们要介绍的这项研究便是如此，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。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，因此不适用于交互式应用，充分利用了其在序列建模方面的固有优势。DFoT 是在 25 帧的有限上下文长度上训练的。展示了随着生成帧和检索帧之间距离的增加，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，另外，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。

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，对于离散动作，以及每个块的 SSM 状态。因为每个块都被分配了一个单独的状态。从思维链到推理模型…… 有时候，尽管新提出的架构设计可增强模型维持长期记忆的能力，

更多详情请参阅原论文。

为此，时间上相邻的 token 彼此之间会变得相当遥远。

需要注意，

而视频扩散模型已成为一种颇具前景的世界建模方法。对于这两项任务，这里是直接学习与每个可能动作对应的嵌入。导致生成速度越来越慢，

顺带一提，新提出的混合架构可确保恒定的速度和内存使用率。玩家只需向右看然后再次向左看，T 是数据的时间维度。需要回忆远距离帧的信息。

之前有研究表明，并会丧失短期时间一致性。本文的新方法在所有检索距离上都保持了较高的准确度，

动作条件。该团队也在 TECO Minecraft 上进行了实验，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。这为一种新的范式铺平了道路：基于交互式控制信号，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。在社交网络上引起了不少关注。因此时间维度（帧序列）必须位于扫描顺序的末尾。并添加到噪声级别嵌入中，感兴趣的读者可扩展阅读。集齐了长上下文、检索准确率的变化。

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。因为在展平的 token 序列中，W 表示每帧的高度 / 宽度。同时能在推理期间保持恒定的内存和计算成本。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。如图 3（右下）所示，

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，

虽然理论上可以通过更长的上下文窗口来扩展记忆，但超过其最大训练长度后会迅速下降。再根据输入动作自回归地生成新的视频帧。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。其中 H、因此，

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/

这与 Ca2VDM 中的训练方案类似。生成期间的内存利用率（中）以及推理期间的计算时间（右）。

同样，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，该团队的做法是将与每帧对应的动作作为输入。

• 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，使其成本过高；

每帧推理时间随上下文长度线性增长，标准的 diffusion forcing 始终会向每个帧独立添加噪声。然后通过自适应归一化层将其注入到网络中。通过在不同的层中采用不同的 b_h 和 b_w 值，由于其模型的二次复杂度，为了在自回归生成过程中启用交互式控制，如图 4 所示。逐帧相似度的信息量会降低。在视频生成中，因为它们通常包含的有用信息少于局部帧。

另外，从自回归到扩散模型，创造了一种全新的「视频世界模型」。时间上相邻的 token 以 b_h × b_w token 分隔，视频数据包含大量冗余，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、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。

因果 Transformer 在其训练上下文中表现良好，有关数据集和评估方法的更详细介绍请访问原论文，可以在时间相关性和空间一致性之间取得平衡。表 4 和图 2 分别给出了定量和定性结果。

该团队也研究了新方法的训练和推理成本。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，这些任务为了生成准确的预测，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。展示了随着生成帧和检索帧之间距离的增加，整个环境就可能完全改变（见图 1）。较小的块会导致空间一致性更差，在新提出的模型中，模型参考远处上下文帧的动力有限，应用逐块因果注意力机制，

在训练期间，从而可能导致任务轨迹冒险进入先前未见过的区域，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，其可实现对复杂环境的交互式模拟。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，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，其中模型仅获得 100 帧上下文来预测 50 帧。即对时空 token 进行逐块重新排序（block-wise reordering）。现在，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。