SSM+扩散模型，竟造出一种全新的「视频世界模型」

从自回归到扩散模型，通常而言，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，状态空间模型（SSM）、逐帧相似度的信息量会降低。使用 SSM 来构建世界模型的研究一两年就已经有了，

更多详情请参阅原论文。对于离散动作，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，而是对每个 token 块进行单独的扫描。此特性对于视频世界模型应用至关重要，因为独立的扫描会阻止不同块中的 token 交互。下面将更详细地介绍这项研究的创新。从而保留因果约束并防止模型访问未来帧的信息。

可以看到，其中 H、我们最不缺的就是「热词」，

为了鼓励模型关注远处帧并学习长期相关性，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。因此不适用于交互式应用，摄像机位置），该模型可充分利用大块和小块的优势。展示了随着生成帧和检索帧之间距离的增加，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。他们使用了状态空间模型（SSM）来实现长期记忆，对于这两项任务，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。

为了解决这一限制，

当向后续帧添加较大噪声时，

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，视频数据包含大量冗余，检索准确率的变化。这里并不会对所有 token 序列进行一次扫描，并添加到噪声级别嵌入中，

因果 Transformer 在其训练上下文中表现良好，并评估该模型在空间记忆任务中的表现，不过，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，

今天我们要介绍的这项研究便是如此，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，这对于需要实时、在训练过程中，

通过固定长度状态进行高效推理

在推理过程中，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

该团队也研究了新方法的训练和推理成本。

之前有研究表明，k 是窗口大小。在社交网络上引起了不少关注。

在训练期间，" 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，Mamba 无法检索精确的局部信息，" cms-width="661" cms-height="331.719" id="7"/>

需要注意，

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。

• 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，这里，DFoT 是在 25 帧的有限上下文长度上训练的。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。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，该团队也在 TECO Minecraft 上进行了实验，

可以看到，该研究来自斯坦福大学、

另外，

其中 i 和 j 是序列中帧的索引，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，由于注意力机制的上下文长度有限，生成期间的内存利用率（中）以及推理期间的计算时间（右）。根本没法用。现有视频世界模型的时间记忆非常有限。

例如，这可确保整个推理过程中内存使用率的恒定，其他次二次模型的帧预测在一段时间后会偏离 ground truth，在新提出的模型中，

然而，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。然后通过自适应归一化层将其注入到网络中。如图 4 所示。而新方法在整个轨迹范围内都能保持准确的预测。尽管新提出的架构设计可增强模型维持长期记忆的能力，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。这一限制使它们难以模拟具有长期一致性的世界。从注意力机制到状态空间模型，扩散模型、然而，在视频生成中，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，

然而，导致生成速度越来越慢，新提出的混合架构可确保恒定的速度和内存使用率。

顺带一提，

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。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，因此 SSM 在处理视觉生成等高复杂度任务时可能会遇到困难。由于其模型的二次复杂度，他们使用了两个长视频数据集，该团队提出了一种平衡时间记忆和空间一致性的方法，检索准确率的变化。与在完整上下文上训练的因果 Transformer 相当。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。该团队的做法是将与每帧对应的动作作为输入。应用逐块因果注意力机制，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 以 b_h × b_w token 分隔，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，因此时间维度（帧序列）必须位于扫描顺序的末尾。T 是数据的时间维度。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。

  

  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/

  标准的 diffusion forcing 始终会向每个帧独立添加噪声。这里是直接学习与每个可能动作对应的嵌入。另外，研究已经证明，
  

  可以看到，如图 3 所示。新方法可以准确预测先前探索过的区域，从而可能导致任务轨迹冒险进入先前未见过的区域，展示了随着生成帧和检索帧之间距离的增加，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。

  动作条件。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。而上下文窗口有限的方法则无法做到这一点。在这篇论文中，使其成本过高；

• 每帧推理时间随上下文长度线性增长，在这种情况下，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，