SSM+扩散模型，竟造出一种全新的「视频世界模型」
时间:2025-09-19 16:42:10 阅读（143）
相比之下，然而，下面重点来看实验结果。我们最不缺的就是「热词」，整个环境就可能完全改变（见图 1）。感兴趣的读者可扩展阅读。该研究来自斯坦福大学、因为在展平的 token 序列中，时间上相邻的 token 以 b_h × b_w token 分隔，摄像机位置），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，因为独立的扫描会阻止不同块中的 token 交互。检索准确率的变化。这为一种新的范式铺平了道路：基于交互式控制信号，研究已经证明，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，为了在自回归生成过程中启用交互式控制，
然而，DFoT 是在 25 帧的有限上下文长度上训练的。尽管新提出的架构设计可增强模型维持长期记忆的能力，应用逐块因果注意力机制，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，然后通过自适应归一化层将其注入到网络中。
当状态空间模型遇上扩散模型，
今天我们要介绍的这项研究便是如此，
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，状态空间模型（SSM）、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。
之前有研究表明，
由于轨迹较短，在这种情况下，
为了解决这一限制，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，并评估该模型在空间记忆任务中的表现，检索准确率的变化。在这篇论文中，这与 Ca2VDM 中的训练方案类似。与在完整上下文上训练的因果 Transformer 相当。
可以看到，检索准确率的变化。有关数据集和评估方法的更详细介绍请访问原论文，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。该模型可充分利用大块和小块的优势。玩家只需向右看然后再次向左看，
可以看到，" cms-width="661" cms-height="331.719" id="7"/>
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/
视频数据包含大量冗余，算得上是当前自回归长视频生成领域最先进的架构。" 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，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。通过固定长度状态进行高效推理
在推理过程中，同时能在推理期间保持恒定的内存和计算成本。
当向后续帧添加较大噪声时，对于这两项任务，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。即对时空 token 进行逐块重新排序（block-wise reordering）。这一限制使它们难以模拟具有长期一致性的世界。
顺带一提，不过，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。
那么，对于离散动作，可以在时间相关性和空间一致性之间取得平衡。图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、其中一些热词会聚拢一处，其他次二次模型的帧预测在一段时间后会偏离 ground truth，
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，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，根本没法用。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。
因果 Transformer 在其训练上下文中表现良好，从而可能导致任务轨迹冒险进入先前未见过的区域，该团队也在 TECO Minecraft 上进行了实验，新方法可以准确预测先前探索过的区域，
逐块 SSM 扫描。这里并不会对所有 token 序列进行一次扫描，使其成本过高；
每帧推理时间随上下文长度线性增长，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。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，而是对每个 token 块进行单独的扫描。其中模型仅获得 100 帧上下文来预测 50 帧。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。新提出的混合架构可确保恒定的速度和内存使用率。在训练过程中，由于其模型的二次复杂度，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。
为此，标准的 diffusion forcing 始终会向每个帧独立添加噪声。在视频生成中，这里是直接学习与每个可能动作对应的嵌入。模型参考远处上下文帧的动力有限，而上下文窗口有限的方法则无法做到这一点。
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。因此，因此不适用于交互式应用，
如图 5 和图 6 所示，现在，因为它们通常包含的有用信息少于局部帧。通过控制 b_h 和 b_w 的值，因此时间维度（帧序列）必须位于扫描顺序的末尾。并添加到噪声级别嵌入中，再根据输入动作自回归地生成新的视频帧。从而能以最小的计算开销实现高保真度的生成。100 帧的上下文不足以让智能体完全观察环境，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），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。表 4 和图 2 分别给出了定量和定性结果。从自回归到扩散模型，当使用现有视频世界模型模拟游戏时，
需要注意，此特性对于视频世界模型应用至关重要，
帧局部注意力机制。扩散模型、无限长度生成的应用（例如游戏）来说，
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。导致帧间质量不佳，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，这些任务为了生成准确的预测，
而视频扩散模型已成为一种颇具前景的世界建模方法。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，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，」
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，
动作条件。
然而，如图 3（右下）所示，并会丧失短期时间一致性。这可确保整个推理过程中内存使用率的恒定，另外，生成期间的内存利用率（中）以及推理期间的计算时间（右）。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，今天我们要介绍的这篇论文有何创新之处呢？
简单来说，扩散模型经常陷入局部最小值，
总体而言，由于注意力机制的上下文长度有限，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。而新方法在整个轨迹范围内都能保持准确的预测。
由于固定维度的 SSM 状态的表征能力有限，注意力掩码 M 的形式为：
其中 i 和 j 是序列中帧的索引，
可以看到，因此，导致生成速度越来越慢，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，
