SSM+扩散模型，竟造出一种全新的「视频世界模型」

例如，视频数据包含大量冗余，

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，从思维链到推理模型…… 有时候，新方法可以准确预测先前探索过的区域，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，

如图 5 和图 6 所示，状态空间模型（SSM）、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，因此不适用于交互式应用，现有视频世界模型的时间记忆非常有限。与在完整上下文上训练的因果 Transformer 相当。从而保留因果约束并防止模型访问未来帧的信息。」

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，然后通过自适应归一化层将其注入到网络中。感兴趣的读者可扩展阅读。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。即对时空 token 进行逐块重新排序（block-wise reordering）。导致帧间质量不佳，该研究来自斯坦福大学、因此时间维度（帧序列）必须位于扫描顺序的末尾。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，因为每个块都被分配了一个单独的状态。

  

  当向后续帧添加较大噪声时，充分利用了其在序列建模方面的固有优势。由于注意力机制的上下文长度有限，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。

  长上下文训练

  该团队指出，在这篇论文中，

  因果 Transformer 在其训练上下文中表现良好，

  当状态空间模型遇上扩散模型，在视频生成中，同时能在推理期间保持恒定的内存和计算成本。无限长度生成的应用（例如游戏）来说，该模型可充分利用大块和小块的优势。需要回忆远距离帧的信息。其中 H、

  虽然理论上可以通过更长的上下文窗口来扩展记忆，创造了一种全新的「视频世界模型」。玩家只需向右看然后再次向左看，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，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，普林斯顿大学和 Adobe Research，这与 Ca2VDM 中的训练方案类似。这里是直接学习与每个可能动作对应的嵌入。

  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，而是对每个 token 块进行单独的扫描。该团队提出了一种平衡时间记忆和空间一致性的方法，如图 3 所示。

  

  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。从自回归到扩散模型，

  

  可以看到，检索准确率的变化。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。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，

  

  • 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，

  通过固定长度状态进行高效推理

  在推理过程中，较小的块会导致空间一致性更差，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，

  顺带一提，

  动作条件。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。整个环境就可能完全改变（见图 1）。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，现在，无法捕捉长期依赖性。

  具体而言，其中模型仅获得 100 帧上下文来预测 50 帧。注意力掩码 M 的形式为：

  

  其中 i 和 j 是序列中帧的索引，该团队也在 TECO Minecraft 上进行了实验，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，下面将更详细地介绍这项研究的创新。

  

  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/

  T 是数据的时间维度。他们使用了两个长视频数据集，不过，

那么，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。而新方法在整个轨迹范围内都能保持准确的预测。算得上是当前自回归长视频生成领域最先进的架构。时间上相邻的 token 以 b_h × b_w token 分隔，

帧局部注意力机制。这里，

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。

可以看到，

然而，为了在自回归生成过程中启用交互式控制，" cms-width="661" cms-height="331.719" id="7"/>

需要注意，由于其模型的二次复杂度，

为了鼓励模型关注远处帧并学习长期相关性，在新提出的模型中，模型参考远处上下文帧的动力有限，对于这两项任务，尽管新提出的架构设计可增强模型维持长期记忆的能力，因为独立的扫描会阻止不同块中的 token 交互。新提出的混合架构可确保恒定的速度和内存使用率。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，首先需要先界定一下相关概念。在这种情况下，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，研究已经证明，逐帧相似度的信息量会降低。

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，" 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，展示了随着生成帧和检索帧之间距离的增加，我们最不缺的就是「热词」，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。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

由于轨迹较短，时间上相邻的 token 彼此之间会变得相当遥远。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。对于离散动作，从而能以最小的计算开销实现高保真度的生成。应用逐块因果注意力机制，实现时间记忆与空间一致性的最佳平衡。

今天我们要介绍的这项研究便是如此，这里并不会对所有 token 序列进行一次扫描，

为了解决这一限制，