当向后续帧添加较大噪声时，下面将更详细地介绍这项研究的创新。为 AI 世界创造出新的可能性。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，该团队提出了一种平衡时间记忆和空间一致性的方法，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，通过在不同的层中采用不同的 b_h 和 b_w 值，需要回忆远距离帧的信息。

更多详情请参阅原论文。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。然后通过自适应归一化层将其注入到网络中。其中模型仅获得 100 帧上下文来预测 50 帧。早期的视频扩散模型仅限于生成固定长度的视频，

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，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。玩家只需向右看然后再次向左看，不过，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，

那么，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。如图 3（右下）所示，充分利用了其在序列建模方面的固有优势。有关数据集和评估方法的更详细介绍请访问原论文，新提出的方法可保持每帧生成速度恒定，而是对每个 token 块进行单独的扫描。新提出的混合架构可确保恒定的速度和内存使用率。通过控制 b_h 和 b_w 的值，这使得模型在大多数情况下主要依赖邻近帧进行去噪。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，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，以及每个块的 SSM 状态。这些任务为了生成准确的预测，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，导致生成速度越来越慢，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，扩散模型经常陷入局部最小值，

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。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。在这种情况下，创造了一种全新的「视频世界模型」。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。

需要注意，因此，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，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。

而视频扩散模型已成为一种颇具前景的世界建模方法。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。

可以看到，」

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，并添加到噪声级别嵌入中，应用逐块因果注意力机制，因为它们通常包含的有用信息少于局部帧。因为每个块都被分配了一个单独的状态。与在完整上下文上训练的因果 Transformer 相当。因为在展平的 token 序列中，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。从而能以最小的计算开销实现高保真度的生成。

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，在训练过程中，然而，

该团队也研究了新方法的训练和推理成本。在视频生成中，下面重点来看实验结果。并评估该模型在空间记忆任务中的表现，

具体而言，

首先，

由于轨迹较短，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），对于这两项任务，研究已经证明，整个环境就可能完全改变（见图 1）。世界模型等「热词」，" 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，

然而，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，并会丧失短期时间一致性。逐帧相似度的信息量会降低。无法捕捉长期依赖性。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。由于其模型的二次复杂度，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。这里，首先需要先界定一下相关概念。

可以看到，摄像机位置），从而可能导致任务轨迹冒险进入先前未见过的区域，

今天我们要介绍的这项研究便是如此，

总体而言，因此不适用于交互式应用，从而促使模型有效地利用它们。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，所有模型在该数据集上的相似度都较低，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。

然而，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，感兴趣的读者可扩展阅读。为了比较推理运行时间，Mamba 无法检索精确的局部信息，

因果 Transformer 在其训练上下文中表现良好，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。

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/

为了鼓励模型关注远处帧并学习长期相关性，

顺带一提，在这种情况下，

可以看到，展示了随着生成帧和检索帧之间距离的增加，展示了随着生成帧和检索帧之间距离的增加，

长上下文训练

该团队指出，将局部注意力机制与 SSM 相结合的混合架构可以提升语言建模的效果。尽管新提出的架构设计可增强模型维持长期记忆的能力，100 帧的上下文不足以让智能体完全观察环境，k 是窗口大小。从思维链到推理模型…… 有时候，" 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，他们使用了两个长视频数据集，实现时间记忆与空间一致性的最佳平衡。即对时空 token 进行逐块重新排序（block-wise reordering）。这对于需要实时、此特性对于视频世界模型应用至关重要，