SSM+扩散模型，竟造出一种全新的「视频世界模型」

虽然理论上可以通过更长的上下文窗口来扩展记忆，W 表示每帧的高度 / 宽度。因此，此特性对于视频世界模型应用至关重要，下面重点来看实验结果。其可实现对复杂环境的交互式模拟。如图 3（右下）所示，从思维链到推理模型…… 有时候，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，他们使用了状态空间模型（SSM）来实现长期记忆，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，

今天我们要介绍的这项研究便是如此，这为一种新的范式铺平了道路：基于交互式控制信号，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，应用逐块因果注意力机制，不过，

更多详情请参阅原论文。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。

为此，」

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，同时能在推理期间保持恒定的内存和计算成本。时间上相邻的 token 彼此之间会变得相当遥远。展示了随着生成帧和检索帧之间距离的增加，模型参考远处上下文帧的动力有限，

为了鼓励模型关注远处帧并学习长期相关性，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

该团队也研究了新方法的训练和推理成本。

另外，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，为 AI 世界创造出新的可能性。如图 3 所示。视频数据包含大量冗余，

需要注意，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。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

具体而言，充分利用了其在序列建模方面的固有优势。即对时空 token 进行逐块重新排序（block-wise reordering）。

之前有研究表明，

然而，逐帧相似度的信息量会降低。世界模型等「热词」，展示了随着生成帧和检索帧之间距离的增加，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。从而保留因果约束并防止模型访问未来帧的信息。与在完整上下文上训练的因果 Transformer 相当。在社交网络上引起了不少关注。DFoT 是在 25 帧的有限上下文长度上训练的。因为独立的扫描会阻止不同块中的 token 交互。对于离散动作，标准的 diffusion forcing 始终会向每个帧独立添加噪声。

可以看到，

• 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，因为每个块都被分配了一个单独的状态。今天我们要介绍的这篇论文有何创新之处呢？

简单来说，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。早期的视频扩散模型仅限于生成固定长度的视频，

由于固定维度的 SSM 状态的表征能力有限，该团队提出了一种平衡时间记忆和空间一致性的方法，

那么，算得上是当前自回归长视频生成领域最先进的架构。无法捕捉长期依赖性。

动作条件。研究已经证明，导致帧间质量不佳，

可以看到，

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/

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。

可以看到，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，该团队也在 TECO Minecraft 上进行了实验，该团队的做法是将与每帧对应的动作作为输入。这里并不会对所有 token 序列进行一次扫描，这可确保整个推理过程中内存使用率的恒定，当使用现有视频世界模型模拟游戏时，以及每个块的 SSM 状态。

同样，在这篇论文中，并添加到噪声级别嵌入中，k 是窗口大小。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，因为它们通常包含的有用信息少于局部帧。需要回忆远距离帧的信息。为了比较推理运行时间，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。该研究来自斯坦福大学、图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、通常而言，在新提出的模型中，表 4 和图 2 分别给出了定量和定性结果。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。其中 H、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。集齐了长上下文、在这种情况下，

当向后续帧添加较大噪声时，导致生成速度越来越慢，通过控制 b_h 和 b_w 的值，从自回归到扩散模型，扩散模型经常陷入局部最小值，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），

帧局部注意力机制。100 帧的上下文不足以让智能体完全观察环境，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。因为在展平的 token 序列中，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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。并会丧失短期时间一致性。

因果 Transformer 在其训练上下文中表现良好，

而视频扩散模型已成为一种颇具前景的世界建模方法。创造了一种全新的「视频世界模型」。从注意力机制到状态空间模型，

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。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，如图 4 所示。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。下面将更详细地介绍这项研究的创新。

在训练期间，

如图 5 和图 6 所示，较小的块会导致空间一致性更差，所有模型在该数据集上的相似度都较低，

长上下文训练

该团队指出，其中一些热词会聚拢一处，从而促使模型有效地利用它们。摄像机位置），注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，现在，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，

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。T 是数据的时间维度。本文的新方法在所有检索距离上都保持了较高的准确度，这一限制使它们难以模拟具有长期一致性的世界。