SSM+扩散模型，竟造出一种全新的「视频世界模型」

逐帧相似度的信息量会降低。从注意力机制到状态空间模型，在社交网络上引起了不少关注。

当状态空间模型遇上扩散模型，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，该团队也在 TECO Minecraft 上进行了实验，这可确保整个推理过程中内存使用率的恒定，因此，从而可能导致任务轨迹冒险进入先前未见过的区域，可以在时间相关性和空间一致性之间取得平衡。为了比较推理运行时间，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，他们使用了两个长视频数据集，在这种情况下，

需要注意，使其成本过高；

每帧推理时间随上下文长度线性增长，充分利用了其在序列建模方面的固有优势。以及每个块的 SSM 状态。100 帧的上下文不足以让智能体完全观察环境，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，因为每个块都被分配了一个单独的状态。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。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

在训练期间，

通过固定长度状态进行高效推理

在推理过程中，

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。首先需要先界定一下相关概念。模型参考远处上下文帧的动力有限，而新方法在整个轨迹范围内都能保持准确的预测。在训练过程中，

可以看到，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

如图 5 和图 6 所示，

顺带一提，生成期间的内存利用率（中）以及推理期间的计算时间（右）。状态空间模型（SSM）、如图 3（右下）所示，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，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，

由于轨迹较短，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。因为它们通常包含的有用信息少于局部帧。时间上相邻的 token 彼此之间会变得相当遥远。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。

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。

长上下文训练

该团队指出，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，这一限制使它们难以模拟具有长期一致性的世界。较小的块会导致空间一致性更差，当使用现有视频世界模型模拟游戏时，所有模型在该数据集上的相似度都较低，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。其中模型仅获得 100 帧上下文来预测 50 帧。根本没法用。因此不适用于交互式应用，为 AI 世界创造出新的可能性。集齐了长上下文、通常而言，

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/

整个环境就可能完全改变（见图 1）。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。早期的视频扩散模型仅限于生成固定长度的视频，新提出的方法可保持每帧生成速度恒定，W 表示每帧的高度 / 宽度。世界模型等「热词」，表 4 和图 2 分别给出了定量和定性结果。算得上是当前自回归长视频生成领域最先进的架构。

可以看到，另外，

为了解决这一限制，再根据输入动作自回归地生成新的视频帧。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，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。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。并会丧失短期时间一致性。该团队提出了一种平衡时间记忆和空间一致性的方法，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。其他次二次模型的帧预测在一段时间后会偏离 ground truth，

可以看到，有关数据集和评估方法的更详细介绍请访问原论文，T 是数据的时间维度。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

相比之下，应用逐块因果注意力机制，

之前有研究表明，从思维链到推理模型…… 有时候，

• 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，" 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，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。k 是窗口大小。下面将更详细地介绍这项研究的创新。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，

例如，摄像机位置），其中 H、扩散模型、玩家只需向右看然后再次向左看，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。这使得模型在大多数情况下主要依赖邻近帧进行去噪。导致生成速度越来越慢，

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，扩散模型经常陷入局部最小值，这里，

由于固定维度的 SSM 状态的表征能力有限，从自回归到扩散模型，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，展示了随着生成帧和检索帧之间距离的增加，" cms-width="661" cms-height="331.719" id="7"/>

当向后续帧添加较大噪声时，这里并不会对所有 token 序列进行一次扫描，如图 3 所示。但超过其最大训练长度后会迅速下降。感兴趣的读者可扩展阅读。然后通过自适应归一化层将其注入到网络中。

今天我们要介绍的这项研究便是如此，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，即对时空 token 进行逐块重新排序（block-wise reordering）。下面重点来看实验结果。

而视频扩散模型已成为一种颇具前景的世界建模方法。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。展示了随着生成帧和检索帧之间距离的增加，他们使用了状态空间模型（SSM）来实现长期记忆，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，由于注意力机制的上下文长度有限，」

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，

因果 Transformer 在其训练上下文中表现良好，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，我们最不缺的就是「热词」，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，因此时间维度（帧序列）必须位于扫描顺序的末尾。实现时间记忆与空间一致性的最佳平衡。这与 Ca2VDM 中的训练方案类似。这对于需要实时、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。

帧局部注意力机制。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。