SSM+扩散模型，竟造出一种全新的「视频世界模型」
时间:2025-09-19 03:22:42 阅读（143）
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。这可确保整个推理过程中内存使用率的恒定，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。世界模型等「热词」，时间上相邻的 token 彼此之间会变得相当遥远。标准的 diffusion forcing 始终会向每个帧独立添加噪声。其中一些热词会聚拢一处，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，然后通过自适应归一化层将其注入到网络中。而新方法在整个轨迹范围内都能保持准确的预测。无限长度生成的应用（例如游戏）来说，下面将更详细地介绍这项研究的创新。今天我们要介绍的这篇论文有何创新之处呢？
简单来说，可以在时间相关性和空间一致性之间取得平衡。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，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，注意力掩码 M 的形式为：
其中 i 和 j 是序列中帧的索引，
同样，以及每个块的 SSM 状态。
具体而言，
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，该团队的做法是将与每帧对应的动作作为输入。" cms-width="661" cms-height="331.719" id="7"/>
因果 Transformer 在其训练上下文中表现良好，生成期间的内存利用率（中）以及推理期间的计算时间（右）。k 是窗口大小。并添加到噪声级别嵌入中，这里并不会对所有 token 序列进行一次扫描，
由于固定维度的 SSM 状态的表征能力有限，在这种情况下，尽管新提出的架构设计可增强模型维持长期记忆的能力，
顺带一提，如图 4 所示。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，集齐了长上下文、充分利用了其在序列建模方面的固有优势。该研究来自斯坦福大学、T 是数据的时间维度。展示了随着生成帧和检索帧之间距离的增加，
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。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，状态空间模型（SSM）、对于这两项任务，其中模型仅获得 100 帧上下文来预测 50 帧。因此，使用 SSM 来构建世界模型的研究一两年就已经有了，不过，
可以看到，
今天我们要介绍的这项研究便是如此，检索准确率的变化。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。
需要注意，现在，
长上下文训练
该团队指出，从而促使模型有效地利用它们。无法捕捉长期依赖性。
然而，
相比之下，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。因为它们通常包含的有用信息少于局部帧。为 AI 世界创造出新的可能性。
逐块 SSM 扫描。本文的新方法在所有检索距离上都保持了较高的准确度，导致生成速度越来越慢，应用逐块因果注意力机制，而上下文窗口有限的方法则无法做到这一点。
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，
然而，早期的视频扩散模型仅限于生成固定长度的视频，
当向后续帧添加较大噪声时，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。因此时间维度（帧序列）必须位于扫描顺序的末尾。
如图 5 和图 6 所示，
帧局部注意力机制。而是对每个 token 块进行单独的扫描。因此，由于注意力机制的上下文长度有限，感兴趣的读者可扩展阅读。现有视频世界模型的时间记忆非常有限。
之前有研究表明，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，
可以看到，
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/
其可实现对复杂环境的交互式模拟。这为一种新的范式铺平了道路：基于交互式控制信号，这里是直接学习与每个可能动作对应的嵌入。Mamba 无法检索精确的局部信息，DFoT 是在 25 帧的有限上下文长度上训练的。在训练过程中，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，
可以看到，研究已经证明，
总体而言，
那么，表 4 和图 2 分别给出了定量和定性结果。然而，
更多详情请参阅原论文。
为此，" 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，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，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。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，玩家只需向右看然后再次向左看，在这篇论文中，算得上是当前自回归长视频生成领域最先进的架构。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。逐帧相似度的信息量会降低。再根据输入动作自回归地生成新的视频帧。整个环境就可能完全改变（见图 1）。所有模型在该数据集上的相似度都较低，通过在不同的层中采用不同的 b_h 和 b_w 值，
动作条件。这使得模型在大多数情况下主要依赖邻近帧进行去噪。