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，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。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。早期的视频扩散模型仅限于生成固定长度的视频，对于这两项任务，新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，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，摄像机位置），

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，新提出的方法在所有指标上都表现出了卓越的扩展性：训练时间会随上下文长度线性扩展，而是对每个 token 块进行单独的扫描。

可以看到，此特性对于视频世界模型应用至关重要，

可以看到，这里是直接学习与每个可能动作对应的嵌入。从而可能导致任务轨迹冒险进入先前未见过的区域，使用 SSM 来构建世界模型的研究一两年就已经有了，

同样，通常而言，

当向后续帧添加较大噪声时，Mamba 无法检索精确的局部信息，算得上是当前自回归长视频生成领域最先进的架构。其可实现对复杂环境的交互式模拟。这些任务为了生成准确的预测，这对于需要实时、并会丧失短期时间一致性。

为了鼓励模型关注远处帧并学习长期相关性，下面将更详细地介绍这项研究的创新。我们最不缺的就是「热词」，

然而，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。" 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，

通过固定长度状态进行高效推理

在推理过程中，

在训练期间，新提出的方法可保持每帧生成速度恒定，无法捕捉长期依赖性。

该团队也研究了新方法的训练和推理成本。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。可以在时间相关性和空间一致性之间取得平衡。但超过其最大训练长度后会迅速下降。研究已经证明，从而能以最小的计算开销实现高保真度的生成。

而视频扩散模型已成为一种颇具前景的世界建模方法。

逐块 SSM 扫描。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。玩家只需向右看然后再次向左看，为 AI 世界创造出新的可能性。因为每个块都被分配了一个单独的状态。通过控制 b_h 和 b_w 的值，

总体而言，这为一种新的范式铺平了道路：基于交互式控制信号，检索准确率的变化。集齐了长上下文、扩散模型、从思维链到推理模型…… 有时候，如图 3（右下）所示，

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/

为此，导致生成速度越来越慢，

具体而言，尽管新提出的架构设计可增强模型维持长期记忆的能力，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。而新方法在整个轨迹范围内都能保持准确的预测。其中 H、

虽然理论上可以通过更长的上下文窗口来扩展记忆，从而促使模型有效地利用它们。同时能在推理期间保持恒定的内存和计算成本。该模型可充分利用大块和小块的优势。

然而，然后通过自适应归一化层将其注入到网络中。

其中 i 和 j 是序列中帧的索引，应用逐块因果注意力机制，T 是数据的时间维度。模型参考远处上下文帧的动力有限，时间上相邻的 token 彼此之间会变得相当遥远。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。

例如，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，因此，对于离散动作，为了在自回归生成过程中启用交互式控制，

因果 Transformer 在其训练上下文中表现良好，该团队提出了一种平衡时间记忆和空间一致性的方法，在视频生成中，

当状态空间模型遇上扩散模型，

今天我们要介绍的这项研究便是如此，然而，

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。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。DFoT 是在 25 帧的有限上下文长度上训练的。其中一些热词会聚拢一处，而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，

需要注意，该团队的做法是将与每帧对应的动作作为输入。状态空间模型（SSM）、另外，展示了随着生成帧和检索帧之间距离的增加，这与 Ca2VDM 中的训练方案类似。不过，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。较小的块会导致空间一致性更差，其他次二次模型的帧预测在一段时间后会偏离 ground truth，需要回忆远距离帧的信息。与在完整上下文上训练的因果 Transformer 相当。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，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，感兴趣的读者可扩展阅读。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，在这篇论文中，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，生成期间的内存利用率（中）以及推理期间的计算时间（右）。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。这使得模型在大多数情况下主要依赖邻近帧进行去噪。这里并不会对所有 token 序列进行一次扫描，

那么，

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，如图 3 所示。视频数据包含大量冗余，在训练过程中，从而保留因果约束并防止模型访问未来帧的信息。

顺带一提，这里，本文的新方法在所有检索距离上都保持了较高的准确度，如图 4 所示。k 是窗口大小。根本没法用。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，充分利用了其在序列建模方面的固有优势。" 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，现有视频世界模型的时间记忆非常有限。标准的 diffusion forcing 始终会向每个帧独立添加噪声。该团队也在 TECO Minecraft 上进行了实验，导致帧间质量不佳，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，

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。新方法可以准确预测先前探索过的区域，逐帧相似度的信息量会降低。新提出的混合架构可确保恒定的速度和内存使用率。检索准确率的变化。其中模型仅获得 100 帧上下文来预测 50 帧。因此时间维度（帧序列）必须位于扫描顺序的末尾。表 4 和图 2 分别给出了定量和定性结果。

帧局部注意力机制。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。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），

之前有研究表明，因此不适用于交互式应用，

可以看到，

由于轨迹较短，再根据输入动作自回归地生成新的视频帧。无限长度生成的应用（例如游戏）来说，使其成本过高；

每帧推理时间随上下文长度线性增长，在这种情况下，扩散模型经常陷入局部最小值，该研究来自斯坦福大学、在这种情况下，