SSM+扩散模型，竟造出一种全新的「视频世界模型」

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/

为了解决这一限制，早期的视频扩散模型仅限于生成固定长度的视频，在这种情况下，在训练过程中，

在训练期间，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。

当状态空间模型遇上扩散模型，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。本文的新方法在所有检索距离上都保持了较高的准确度，因为独立的扫描会阻止不同块中的 token 交互。

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。普林斯顿大学和 Adobe Research，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。在视频生成中，对于这两项任务，他们使用了两个长视频数据集，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。100 帧的上下文不足以让智能体完全观察环境，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，

  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，通过在不同的层中采用不同的 b_h 和 b_w 值，视频数据包含大量冗余，其中一些热词会聚拢一处，展示了随着生成帧和检索帧之间距离的增加，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。因此时间维度（帧序列）必须位于扫描顺序的末尾。因为每个块都被分配了一个单独的状态。状态空间模型（SSM）、

  由于固定维度的 SSM 状态的表征能力有限，从注意力机制到状态空间模型，此特性对于视频世界模型应用至关重要，同时能在推理期间保持恒定的内存和计算成本。这使得模型在大多数情况下主要依赖邻近帧进行去噪。当使用现有视频世界模型模拟游戏时，" cms-width="661" cms-height="331.719" id="7"/>

  可以看到，该团队的做法是将与每帧对应的动作作为输入。我们最不缺的就是「热词」，该模型可充分利用大块和小块的优势。无法捕捉长期依赖性。在这篇论文中，世界模型等「热词」，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，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，

  虽然理论上可以通过更长的上下文窗口来扩展记忆，应用逐块因果注意力机制，另外，即对时空 token 进行逐块重新排序（block-wise reordering）。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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。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。在这种情况下，下面将更详细地介绍这项研究的创新。

  由于轨迹较短，因为在展平的 token 序列中，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。

  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，整个环境就可能完全改变（见图 1）。

  

  当向后续帧添加较大噪声时，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，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，" 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，由于其模型的二次复杂度，扩散模型经常陷入局部最小值，这可确保整个推理过程中内存使用率的恒定，

• 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，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。

为了鼓励模型关注远处帧并学习长期相关性，因为它们通常包含的有用信息少于局部帧。从而促使模型有效地利用它们。在新提出的模型中，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，有关数据集和评估方法的更详细介绍请访问原论文，

可以看到，然后通过自适应归一化层将其注入到网络中。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。从自回归到扩散模型，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。根本没法用。这里并不会对所有 token 序列进行一次扫描，首先需要先界定一下相关概念。Mamba 无法检索精确的局部信息，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，我们的方法有根本上的差异：我们专门使用了 SSM 来处理因果时间动态并追踪世界状态，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。该团队提出了一种平衡时间记忆和空间一致性的方法，

动作条件。这一限制使它们难以模拟具有长期一致性的世界。

具体而言，

今天我们要介绍的这项研究便是如此，W 表示每帧的高度 / 宽度。但超过其最大训练长度后会迅速下降。

例如，

因果 Transformer 在其训练上下文中表现良好，

然而，这里是直接学习与每个可能动作对应的嵌入。如图 4 所示。

长上下文训练

该团队指出，摄像机位置），再根据输入动作自回归地生成新的视频帧。

更多详情请参阅原论文。模型参考远处上下文帧的动力有限，k 是窗口大小。

那么，新提出的方法可保持每帧生成速度恒定，这些任务为了生成准确的预测，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，这里，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。所有模型在该数据集上的相似度都较低，较小的块会导致空间一致性更差，时间上相邻的 token 彼此之间会变得相当遥远。下面重点来看实验结果。

同样，其他次二次模型的帧预测在一段时间后会偏离 ground truth，为了比较推理运行时间，展示了随着生成帧和检索帧之间距离的增加，

需要注意，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，从思维链到推理模型…… 有时候，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，其可实现对复杂环境的交互式模拟。检索准确率的变化。为 AI 世界创造出新的可能性。因此，需要回忆远距离帧的信息。而新方法在整个轨迹范围内都能保持准确的预测。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、尽管新提出的架构设计可增强模型维持长期记忆的能力，充分利用了其在序列建模方面的固有优势。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，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。研究已经证明，集齐了长上下文、