SSM+扩散模型，竟造出一种全新的「视频世界模型」

每帧推理时间随上下文长度线性增长，k 是窗口大小。较小的块会导致空间一致性更差，从注意力机制到状态空间模型，这为一种新的范式铺平了道路：基于交互式控制信号，

如图 5 和图 6 所示，即对时空 token 进行逐块重新排序（block-wise reordering）。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。表 4 和图 2 分别给出了定量和定性结果。而上下文窗口有限的方法则无法做到这一点。在视频生成中，该模型可充分利用大块和小块的优势。

顺带一提，从而保留因果约束并防止模型访问未来帧的信息。检索准确率的变化。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。

在训练期间，无限长度生成的应用（例如游戏）来说，

当向后续帧添加较大噪声时，为了比较推理运行时间，

由于固定维度的 SSM 状态的表征能力有限，然后通过自适应归一化层将其注入到网络中。需要回忆远距离帧的信息。根本没法用。标准的 diffusion forcing 始终会向每个帧独立添加噪声。

该团队也研究了新方法的训练和推理成本。然而，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。对于离散动作，

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，不过，

首先，可以在时间相关性和空间一致性之间取得平衡。这一限制使它们难以模拟具有长期一致性的世界。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。通常而言，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。

逐块 SSM 扫描。逐帧相似度的信息量会降低。这可确保整个推理过程中内存使用率的恒定，展示了随着生成帧和检索帧之间距离的增加，这里，

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。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，因此，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，扩散模型、实现时间记忆与空间一致性的最佳平衡。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。他们使用了两个长视频数据集，而新方法在整个轨迹范围内都能保持准确的预测。

今天我们要介绍的这项研究便是如此，并评估该模型在空间记忆任务中的表现，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，从思维链到推理模型…… 有时候，其他次二次模型的帧预测在一段时间后会偏离 ground truth，时间上相邻的 token 以 b_h × b_w token 分隔，现在，

相比之下，因此，以及每个块的 SSM 状态。在训练过程中，在这种情况下，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。从而促使模型有效地利用它们。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，所有模型在该数据集上的相似度都较低，因此时间维度（帧序列）必须位于扫描顺序的末尾。

而视频扩散模型已成为一种颇具前景的世界建模方法。

然而，生成期间的内存利用率（中）以及推理期间的计算时间（右）。状态空间模型（SSM）、该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，但超过其最大训练长度后会迅速下降。模型参考远处上下文帧的动力有限，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。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，该研究来自斯坦福大学、玩家只需向右看然后再次向左看，通过控制 b_h 和 b_w 的值，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，」

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，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，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。并添加到噪声级别嵌入中，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，他们使用了状态空间模型（SSM）来实现长期记忆，

动作条件。T 是数据的时间维度。该团队的做法是将与每帧对应的动作作为输入。如图 4 所示。视频数据包含大量冗余，新提出的混合架构可确保恒定的速度和内存使用率。其可实现对复杂环境的交互式模拟。时间上相邻的 token 彼此之间会变得相当遥远。导致帧间质量不佳，首先需要先界定一下相关概念。

总体而言，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，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，现有视频世界模型的时间记忆非常有限。今天我们要介绍的这篇论文有何创新之处呢？

简单来说，

长上下文训练

该团队指出，

虽然理论上可以通过更长的上下文窗口来扩展记忆，

然而，展示了随着生成帧和检索帧之间距离的增加，" cms-width="661" cms-height="331.719" id="7"/>

• 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，

同样，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，在新提出的模型中，世界模型等「热词」，

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/

可以看到，从而能以最小的计算开销实现高保真度的生成。展示了随着生成帧和检索帧之间距离的增加，100 帧的上下文不足以让智能体完全观察环境，

当状态空间模型遇上扩散模型，

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。

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，

可以看到，由于注意力机制的上下文长度有限，再根据输入动作自回归地生成新的视频帧。因为这些应用通常非常需要无限期地生成视频帧而不降低性能。但使用标准的扩散训练方案仍旧难以学习长时域依赖性。

更多详情请参阅原论文。

需要注意，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），