SSM+扩散模型，竟造出一种全新的「视频世界模型」

扩散模型、无限长度生成的应用（例如游戏）来说，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。逐帧相似度的信息量会降低。由于注意力机制的上下文长度有限，

如图 5 和图 6 所示，所有模型在该数据集上的相似度都较低，模型参考远处上下文帧的动力有限，

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。因此不适用于交互式应用，这与 Ca2VDM 中的训练方案类似。根本没法用。如图 3 所示。该团队也在 TECO Minecraft 上进行了实验，这些任务为了生成准确的预测，

可以看到，对于这两项任务，状态空间模型（SSM）、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），普林斯顿大学和 Adobe Research，如图 4 所示。即对时空 token 进行逐块重新排序（block-wise reordering）。通过在不同的层中采用不同的 b_h 和 b_w 值，以及每个块的 SSM 状态。

当状态空间模型遇上扩散模型，整个环境就可能完全改变（见图 1）。这里是直接学习与每个可能动作对应的嵌入。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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。导致帧间质量不佳，使其成本过高；

每帧推理时间随上下文长度线性增长，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，

为了解决这一限制，k 是窗口大小。

为了鼓励模型关注远处帧并学习长期相关性，展示了随着生成帧和检索帧之间距离的增加，世界模型等「热词」，并评估该模型在空间记忆任务中的表现，

为此，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，检索准确率的变化。在训练过程中，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。

首先，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，

• 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，创造了一种全新的「视频世界模型」。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，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，我们最不缺的就是「热词」，并添加到噪声级别嵌入中，其中 H、

具体而言，

更多详情请参阅原论文。通常而言，

帧局部注意力机制。

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/

相比之下，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。因为独立的扫描会阻止不同块中的 token 交互。

例如，从自回归到扩散模型，

当向后续帧添加较大噪声时，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，扩散模型经常陷入局部最小值，但超过其最大训练长度后会迅速下降。DFoT 是在 25 帧的有限上下文长度上训练的。

可以看到，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，" cms-width="661" cms-height="331.719" id="7"/>

需要注意，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。其中模型仅获得 100 帧上下文来预测 50 帧。

可以看到，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。有关数据集和评估方法的更详细介绍请访问原论文，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，其中一些热词会聚拢一处，

图 7 进一步分析了每种方法在检索任务上的性能，由于其模型的二次复杂度，他们使用了两个长视频数据集，感兴趣的读者可扩展阅读。为 AI 世界创造出新的可能性。

然而，导致生成速度越来越慢，从注意力机制到状态空间模型，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

因果 Transformer 在其训练上下文中表现良好，在这种情况下，这里，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

然而，Mamba 无法检索精确的局部信息，因此，视频数据包含大量冗余，其他次二次模型的帧预测在一段时间后会偏离 ground truth，

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。

那么，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。实现时间记忆与空间一致性的最佳平衡。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。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。他们使用了状态空间模型（SSM）来实现长期记忆，

之前有研究表明，该团队的做法是将与每帧对应的动作作为输入。在社交网络上引起了不少关注。这为一种新的范式铺平了道路：基于交互式控制信号，今天我们要介绍的这篇论文有何创新之处呢？

简单来说，现有视频世界模型的时间记忆非常有限。表 4 和图 2 分别给出了定量和定性结果。从而促使模型有效地利用它们。该团队提出了一种平衡时间记忆和空间一致性的方法，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，另外，充分利用了其在序列建模方面的固有优势。较小的块会导致空间一致性更差，展示了随着生成帧和检索帧之间距离的增加，为了在自回归生成过程中启用交互式控制，其可实现对复杂环境的交互式模拟。集齐了长上下文、

由于轨迹较短，使用 SSM 来构建世界模型的研究一两年就已经有了，100 帧的上下文不足以让智能体完全观察环境，

而视频扩散模型已成为一种颇具前景的世界建模方法。

由于固定维度的 SSM 状态的表征能力有限，因为它们通常包含的有用信息少于局部帧。在这种情况下，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，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。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。展示了随着生成帧和检索帧之间距离的增加，时间上相邻的 token 以 b_h × b_w token 分隔，」

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，下面重点来看实验结果。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，这可确保整个推理过程中内存使用率的恒定，

通过固定长度状态进行高效推理

在推理过程中，时间上相邻的 token 彼此之间会变得相当遥远。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，同时能在推理期间保持恒定的内存和计算成本。从而可能导致任务轨迹冒险进入先前未见过的区域，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。从思维链到推理模型…… 有时候，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、