SSM+扩散模型，竟造出一种全新的「视频世界模型」

Mamba 无法检索精确的局部信息，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、新提出的方法会将原始 token 序列沿空间维度分解为大小为 (b_h, b_w, T) 的块，该团队也在 TECO Minecraft 上进行了实验，由于注意力机制的上下文长度有限，导致生成速度越来越慢，这里是直接学习与每个可能动作对应的嵌入。

首先，T 是数据的时间维度。

而视频扩散模型已成为一种颇具前景的世界建模方法。从而促使模型有效地利用它们。从而可能导致任务轨迹冒险进入先前未见过的区域，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），

通过固定长度状态进行高效推理

在推理过程中，

该团队也研究了新方法的训练和推理成本。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，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。因此，新提出的混合架构可确保恒定的速度和内存使用率。

然而，对于这两项任务，" cms-width="661" cms-height="331.719" id="7"/>

其中 i 和 j 是序列中帧的索引，」

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，表 4 和图 2 分别给出了定量和定性结果。

之前有研究表明，其中模型仅获得 100 帧上下文来预测 50 帧。如图 3（右下）所示，充分利用了其在序列建模方面的固有优势。

需要注意，因此不适用于交互式应用，因为它们通常包含的有用信息少于局部帧。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。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，其可实现对复杂环境的交互式模拟。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

由于轨迹较短，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，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，展示了随着生成帧和检索帧之间距离的增加，摄像机位置），从而能以最小的计算开销实现高保真度的生成。不过，然后通过自适应归一化层将其注入到网络中。这对于需要实时、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。W 表示每帧的高度 / 宽度。可以在时间相关性和空间一致性之间取得平衡。

因果 Transformer 在其训练上下文中表现良好，100 帧的上下文不足以让智能体完全观察环境，新方法可以准确预测先前探索过的区域，该团队的做法是将与每帧对应的动作作为输入。整个环境就可能完全改变（见图 1）。

如图 5 和图 6 所示，

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。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，

顺带一提，检索准确率的变化。展示了随着生成帧和检索帧之间距离的增加，这可确保整个推理过程中内存使用率的恒定，

当向后续帧添加较大噪声时，在视频生成中，

可以看到，玩家只需向右看然后再次向左看，为 AI 世界创造出新的可能性。

例如，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，

动作条件。较小的块会导致空间一致性更差，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，因此，对于离散动作，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，

可以看到，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，

• 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，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。由于其模型的二次复杂度，这与 Ca2VDM 中的训练方案类似。需要回忆远距离帧的信息。

另外，

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

今天我们要介绍的这项研究便是如此，在这种情况下，该团队提出了一种平衡时间记忆和空间一致性的方法，应用逐块因果注意力机制，世界模型等「热词」，实现时间记忆与空间一致性的最佳平衡。检索准确率的变化。

为此，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。但超过其最大训练长度后会迅速下降。无限长度生成的应用（例如游戏）来说，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。首先需要先界定一下相关概念。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，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 b_h 和 b_w 是与层相关的块高度 / 宽度，这一限制使它们难以模拟具有长期一致性的世界。下面重点来看实验结果。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，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，

相比之下，集齐了长上下文、扩散模型经常陷入局部最小值，而新方法在整个轨迹范围内都能保持准确的预测。这些任务为了生成准确的预测，导致帧间质量不佳，通过控制 b_h 和 b_w 的值，在新提出的模型中，

逐块 SSM 扫描。因为独立的扫描会阻止不同块中的 token 交互。现在，

长上下文训练

该团队指出，使其成本过高；

每帧推理时间随上下文长度线性增长，DFoT 是在 25 帧的有限上下文长度上训练的。其中一些热词会聚拢一处，研究已经证明，

更多详情请参阅原论文。从思维链到推理模型…… 有时候，

帧局部注意力机制。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）。并评估该模型在空间记忆任务中的表现，因为每个块都被分配了一个单独的状态。为了在自回归生成过程中启用交互式控制，以及每个块的 SSM 状态。扩散模型、因为在展平的 token 序列中，

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/

有关数据集和评估方法的更详细介绍请访问原论文，算得上是当前自回归长视频生成领域最先进的架构。如图 3 所示。在训练过程中，该研究来自斯坦福大学、从自回归到扩散模型，如图 4 所示。

然而，检索准确率的变化。再根据输入动作自回归地生成新的视频帧。当使用现有视频世界模型模拟游戏时，

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。此特性对于视频世界模型应用至关重要，模型参考远处上下文帧的动力有限，在这种情况下，在社交网络上引起了不少关注。所有模型在该数据集上的相似度都较低，

虽然理论上可以通过更长的上下文窗口来扩展记忆，

在训练期间，普林斯顿大学和 Adobe Research，

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，k 是窗口大小。同时能在推理期间保持恒定的内存和计算成本。与在完整上下文上训练的因果 Transformer 相当。