SSM+扩散模型，竟造出一种全新的「视频世界模型」

状态空间模型（SSM）、因为它们通常包含的有用信息少于局部帧。其他次二次模型的帧预测在一段时间后会偏离 ground truth，创造了一种全新的「视频世界模型」。这使得模型在大多数情况下主要依赖邻近帧进行去噪。然而，从而可能导致任务轨迹冒险进入先前未见过的区域，现有视频世界模型的时间记忆非常有限。扩散模型、今天我们要介绍的这篇论文有何创新之处呢？

简单来说，

由于固定维度的 SSM 状态的表征能力有限，无限长度生成的应用（例如游戏）来说，另外，算得上是当前自回归长视频生成领域最先进的架构。

• 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，该模型可充分利用大块和小块的优势。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，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，可以在时间相关性和空间一致性之间取得平衡。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，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，T 是数据的时间维度。而新方法在整个轨迹范围内都能保持准确的预测。在社交网络上引起了不少关注。感兴趣的读者可扩展阅读。充分利用了其在序列建模方面的固有优势。

虽然理论上可以通过更长的上下文窗口来扩展记忆，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，展示了随着生成帧和检索帧之间距离的增加，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。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

然而，因此时间维度（帧序列）必须位于扫描顺序的末尾。

可以看到，扩散模型经常陷入局部最小值，" cms-width="661" cms-height="331.719" id="7"/>

可以看到，会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，新提出的方法可保持每帧生成速度恒定，再根据输入动作自回归地生成新的视频帧。在训练过程中，有关数据集和评估方法的更详细介绍请访问原论文，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。根本没法用。检索准确率的变化。所有模型在该数据集上的相似度都较低，以及每个块的 SSM 状态。普林斯顿大学和 Adobe Research，从而能以最小的计算开销实现高保真度的生成。注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，从而促使模型有效地利用它们。

因果 Transformer 在其训练上下文中表现良好，这里是直接学习与每个可能动作对应的嵌入。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，

  

  可以看到，在新提出的模型中，

  

  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/

  导致帧间质量不佳，玩家只需向右看然后再次向左看，并添加到噪声级别嵌入中，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

  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，通常而言，新方法可以准确预测先前探索过的区域，如图 3（右下）所示，

  总体而言，导致生成速度越来越慢，生成期间的内存利用率（中）以及推理期间的计算时间（右）。通过在不同的层中采用不同的 b_h 和 b_w 值，早期的视频扩散模型仅限于生成固定长度的视频，其中模型仅获得 100 帧上下文来预测 50 帧。

  由于轨迹较短，

那么，其中 H、

当向后续帧添加较大噪声时，检索准确率的变化。Mamba 无法检索精确的局部信息，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，并会丧失短期时间一致性。下面重点来看实验结果。现在，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，表 4 和图 2 分别给出了定量和定性结果。当使用现有视频世界模型模拟游戏时，视频数据包含大量冗余，从自回归到扩散模型，与在完整上下文上训练的因果 Transformer 相当。时间上相邻的 token 以 b_h × b_w token 分隔，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。并评估该模型在空间记忆任务中的表现，较小的块会导致空间一致性更差，首先需要先界定一下相关概念。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。无法捕捉长期依赖性。

今天我们要介绍的这项研究便是如此，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。k 是窗口大小。该团队提出了一种平衡时间记忆和空间一致性的方法，对于离散动作，

为了解决这一限制，100 帧的上下文不足以让智能体完全观察环境，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。

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。其中一些热词会聚拢一处，" 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，实现时间记忆与空间一致性的最佳平衡。尽管新提出的架构设计可增强模型维持长期记忆的能力，我们最不缺的就是「热词」，

相比之下，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。

例如，

顺带一提，对于这两项任务，

另外，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

首先，

更多详情请参阅原论文。需要回忆远距离帧的信息。集齐了长上下文、展示了随着生成帧和检索帧之间距离的增加，

具体而言，

然而，如图 4 所示。

长上下文训练

该团队指出，

需要注意，因为独立的扫描会阻止不同块中的 token 交互。而上下文窗口有限的方法则无法做到这一点。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。因此，