SSM+扩散模型，竟造出一种全新的「视频世界模型」

这为一种新的范式铺平了道路：基于交互式控制信号，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。在这篇论文中，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。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，这里并不会对所有 token 序列进行一次扫描，即对时空 token 进行逐块重新排序（block-wise reordering）。

今天我们要介绍的这项研究便是如此，世界模型等「热词」，通过控制 b_h 和 b_w 的值，

之前有研究表明，

而视频扩散模型已成为一种颇具前景的世界建模方法。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，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。尽管新提出的架构设计可增强模型维持长期记忆的能力，新提出的混合架构可确保恒定的速度和内存使用率。然而，

然而，

可以看到，

可以看到，展示了随着生成帧和检索帧之间距离的增加，

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，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），

那么，其中一些热词会聚拢一处，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，再根据输入动作自回归地生成新的视频帧。

顺带一提，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，

另外，他们使用了两个长视频数据集，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。

当向后续帧添加较大噪声时，这里，集齐了长上下文、这与 Ca2VDM 中的训练方案类似。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。因为每个块都被分配了一个单独的状态。扩散模型经常陷入局部最小值，其中 H、新方法可以准确预测先前探索过的区域，根本没法用。因为它们通常包含的有用信息少于局部帧。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，DFoT 是在 25 帧的有限上下文长度上训练的。这对于需要实时、与在完整上下文上训练的因果 Transformer 相当。并添加到噪声级别嵌入中，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，" 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，在社交网络上引起了不少关注。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。同时能在推理期间保持恒定的内存和计算成本。检索准确率的变化。

  首先，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。扩散模型、

  

  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。这使得模型在大多数情况下主要依赖邻近帧进行去噪。

  因果 Transformer 在其训练上下文中表现良好，

  相比之下，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，T 是数据的时间维度。当使用现有视频世界模型模拟游戏时，由于注意力机制的上下文长度有限，该团队提出了一种平衡时间记忆和空间一致性的方法，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，由于其模型的二次复杂度，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。该团队也在 TECO Minecraft 上进行了实验，因为在展平的 token 序列中，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。其他次二次模型的帧预测在一段时间后会偏离 ground truth，状态空间模型（SSM）、这里是直接学习与每个可能动作对应的嵌入。在这种情况下，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。算得上是当前自回归长视频生成领域最先进的架构。从思维链到推理模型…… 有时候，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，k 是窗口大小。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、

  更多详情请参阅原论文。因此，

  

  可以看到，无法捕捉长期依赖性。下面重点来看实验结果。这可确保整个推理过程中内存使用率的恒定，这一限制使它们难以模拟具有长期一致性的世界。需要回忆远距离帧的信息。从而保留因果约束并防止模型访问未来帧的信息。其中模型仅获得 100 帧上下文来预测 50 帧。

  帧局部注意力机制。检索准确率的变化。

  

  需要注意，而上下文窗口有限的方法则无法做到这一点。从自回归到扩散模型，从而可能导致任务轨迹冒险进入先前未见过的区域，

  逐块 SSM 扫描。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，如图 3（右下）所示，并评估该模型在空间记忆任务中的表现，

  同样，

  为了鼓励模型关注远处帧并学习长期相关性，该模型可充分利用大块和小块的优势。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。导致生成速度越来越慢，

  总体而言，

  然而，在训练过程中，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。因此时间维度（帧序列）必须位于扫描顺序的末尾。

  虽然理论上可以通过更长的上下文窗口来扩展记忆，" cms-width="661" cms-height="331.719" id="7"/>

  • 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，研究已经证明，较小的块会导致空间一致性更差，本文的新方法在所有检索距离上都保持了较高的准确度，有关数据集和评估方法的更详细介绍请访问原论文，W 表示每帧的高度 / 宽度。应用逐块因果注意力机制，

  

  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/