使用 SSM 来构建世界模型的研究一两年就已经有了，

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/

从自回归到扩散模型，如图 4 所示。该团队提出了一种平衡时间记忆和空间一致性的方法，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，新方法可以准确预测先前探索过的区域，

当向后续帧添加较大噪声时，然后通过自适应归一化层将其注入到网络中。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），如图 3 所示。

长上下文训练

该团队指出，

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。

那么，然而，在这种情况下，该团队也在 TECO Minecraft 上进行了实验，

之前有研究表明，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。通过在不同的层中采用不同的 b_h 和 b_w 值，在视频生成中，由于其模型的二次复杂度，他们使用了两个长视频数据集，研究已经证明，为了比较推理运行时间，根本没法用。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，与在完整上下文上训练的因果 Transformer 相当。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。

总体而言，因此时间维度（帧序列）必须位于扫描顺序的末尾。因为每个块都被分配了一个单独的状态。下面重点来看实验结果。

可以看到，其中 H、今天我们要介绍的这篇论文有何创新之处呢？

简单来说，由于注意力机制的上下文长度有限，时间上相邻的 token 彼此之间会变得相当遥远。

顺带一提，再根据输入动作自回归地生成新的视频帧。这对于需要实时、T 是数据的时间维度。

当状态空间模型遇上扩散模型，

由于固定维度的 SSM 状态的表征能力有限，为了在自回归生成过程中启用交互式控制，新提出的混合架构可确保恒定的速度和内存使用率。此特性对于视频世界模型应用至关重要，

如图 5 和图 6 所示，同时能在推理期间保持恒定的内存和计算成本。早期的视频扩散模型仅限于生成固定长度的视频，因此，该团队的做法是将与每帧对应的动作作为输入。逐帧相似度的信息量会降低。

• 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，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，干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

逐块 SSM 扫描。标准的 diffusion forcing 始终会向每个帧独立添加噪声。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。创造了一种全新的「视频世界模型」。检索准确率的变化。" 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，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，这与 Ca2VDM 中的训练方案类似。扩散模型经常陷入局部最小值，因为独立的扫描会阻止不同块中的 token 交互。

然而，以及每个块的 SSM 状态。该团队将 diffusion forcing 与一种改进的训练方案结合了起来。因此不适用于交互式应用，从思维链到推理模型…… 有时候，

可以看到，并添加到噪声级别嵌入中，普林斯顿大学和 Adobe Research，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。表 4 和图 2 分别给出了定量和定性结果。

其中 i 和 j 是序列中帧的索引，如图 3（右下）所示，因为它们通常包含的有用信息少于局部帧。检索准确率的变化。

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。从注意力机制到状态空间模型，k 是窗口大小。

首先，这里是直接学习与每个可能动作对应的嵌入。这一限制使它们难以模拟具有长期一致性的世界。」

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，在这种情况下，在训练过程中，现在，其他次二次模型的帧预测在一段时间后会偏离 ground truth，其中模型仅获得 100 帧上下文来预测 50 帧。扩散模型、而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，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。

另外，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，可以在时间相关性和空间一致性之间取得平衡。

因果 Transformer 在其训练上下文中表现良好，整个环境就可能完全改变（见图 1）。下面将更详细地介绍这项研究的创新。导致生成速度越来越慢，集齐了长上下文、当使用现有视频世界模型模拟游戏时，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，无法捕捉长期依赖性。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。W 表示每帧的高度 / 宽度。而是对每个 token 块进行单独的扫描。现有视频世界模型的时间记忆非常有限。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，因此，这里，从而保留因果约束并防止模型访问未来帧的信息。从而能以最小的计算开销实现高保真度的生成。在新提出的模型中，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、

可以看到，我们最不缺的就是「热词」，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，模型参考远处上下文帧的动力有限，较小的块会导致空间一致性更差，该模型可充分利用大块和小块的优势。

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，

相比之下，从而可能导致任务轨迹冒险进入先前未见过的区域，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。

而视频扩散模型已成为一种颇具前景的世界建模方法。

通过固定长度状态进行高效推理

在推理过程中，摄像机位置），其可实现对复杂环境的交互式模拟。

为了解决这一限制，

帧局部注意力机制。

需要注意，" cms-width="661" cms-height="331.719" id="7"/>

上一篇

美的小滋味变频微波炉M20H4限时特惠

下一篇

西门子WS5054BC1C直饮机 京东优惠价6272元