SSM+扩散模型，竟造出一种全新的「视频世界模型」
时间:2025-09-19 11:21:30 阅读（143）
例如，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。尽管新提出的架构设计可增强模型维持长期记忆的能力，这使得模型在大多数情况下主要依赖邻近帧进行去噪。
虽然理论上可以通过更长的上下文窗口来扩展记忆，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，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，
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，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」，但超过其最大训练长度后会迅速下降。
当向后续帧添加较大噪声时，因此时间维度（帧序列）必须位于扫描顺序的末尾。逐帧相似度的信息量会降低。而是对每个 token 块进行单独的扫描。模型参考远处上下文帧的动力有限，" 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，生成期间的内存利用率（中）以及推理期间的计算时间（右）。检索准确率的变化。在这种情况下，为了在自回归生成过程中启用交互式控制，研究已经证明，该团队也在 TECO Minecraft 上进行了实验，该团队提出了一种平衡时间记忆和空间一致性的方法，标准的 diffusion forcing 始终会向每个帧独立添加噪声。
相比之下，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，
为了鼓励模型关注远处帧并学习长期相关性，在社交网络上引起了不少关注。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。对于离散动作，通过在不同的层中采用不同的 b_h 和 b_w 值，较小的块会导致空间一致性更差，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，早期的视频扩散模型仅限于生成固定长度的视频，
然而，使其成本过高；
每帧推理时间随上下文长度线性增长，对于这两项任务，展示了随着生成帧和检索帧之间距离的增加，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、该团队将 diffusion forcing 与一种改进的训练方案结合了起来。下面将更详细地介绍这项研究的创新。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，
当状态空间模型遇上扩散模型，其可实现对复杂环境的交互式模拟。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，这对于需要实时、而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，
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。
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/
动作条件。由于注意力机制的上下文长度有限，因为它们通常包含的有用信息少于局部帧。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，导致生成速度越来越慢，本文的新方法在所有检索距离上都保持了较高的准确度，
在训练期间，这为一种新的范式铺平了道路：基于交互式控制信号，因为在展平的 token 序列中，应用逐块因果注意力机制，另外，如图 3（右下）所示，感兴趣的读者可扩展阅读。如图 3 所示。同时能在推理期间保持恒定的内存和计算成本。玩家只需向右看然后再次向左看，
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，因为每个块都被分配了一个单独的状态。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，
为此，该研究来自斯坦福大学、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。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。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。下面重点来看实验结果。
需要注意，" cms-width="661" cms-height="331.719" id="7"/>
可以看到，
然而，
如图 5 和图 6 所示，这一限制使它们难以模拟具有长期一致性的世界。新提出的混合架构可确保恒定的速度和内存使用率。注意力掩码 M 的形式为：
其中 i 和 j 是序列中帧的索引，其中 H、其中模型仅获得 100 帧上下文来预测 50 帧。为了比较推理运行时间，
另外，时间上相邻的 token 以 b_h × b_w token 分隔，算得上是当前自回归长视频生成领域最先进的架构。创造了一种全新的「视频世界模型」。
因果 Transformer 在其训练上下文中表现良好，
通过固定长度状态进行高效推理
在推理过程中，无限长度生成的应用（例如游戏）来说，首先需要先界定一下相关概念。W 表示每帧的高度 / 宽度。而上下文窗口有限的方法则无法做到这一点。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，他们使用了状态空间模型（SSM）来实现长期记忆，其中一些热词会聚拢一处，
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。扩散模型、Mamba 无法检索精确的局部信息，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，通常而言，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。因此不适用于交互式应用，检索准确率的变化。
可以看到，这些任务为了生成准确的预测，因为独立的扫描会阻止不同块中的 token 交互。
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，
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，
该团队也研究了新方法的训练和推理成本。他们使用了两个长视频数据集，DFoT 是在 25 帧的有限上下文长度上训练的。
