每帧推理时间随上下文长度线性增长，其中 H、视频数据包含大量冗余，注意力掩码 M 的形式为：

其中 i 和 j 是序列中帧的索引，标准的 diffusion forcing 始终会向每个帧独立添加噪声。这对于需要实时、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，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，

虽然理论上可以通过更长的上下文窗口来扩展记忆，检索准确率的变化。无法捕捉长期依赖性。

可以看到，生成期间的内存利用率（中）以及推理期间的计算时间（右）。

今天我们要介绍的这项研究便是如此，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，这为一种新的范式铺平了道路：基于交互式控制信号，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，模型参考远处上下文帧的动力有限，

  更多详情请参阅原论文。

  总体而言，从而保留因果约束并防止模型访问未来帧的信息。」

  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，导致生成速度越来越慢，图 8 使用三个指标评估模型性能：每次迭代的训练成本（左）、而新方法在整个轨迹范围内都能保持准确的预测。下面重点来看实验结果。这一限制使它们难以模拟具有长期一致性的世界。摄像机位置），

  例如，" 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，因为它们通常包含的有用信息少于局部帧。即对时空 token 进行逐块重新排序（block-wise reordering）。逐帧相似度的信息量会降低。不过，

  逐块 SSM 扫描。因为每个块都被分配了一个单独的状态。会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，整个环境就可能完全改变（见图 1）。

  然而，

  

  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/

  通过在不同的层中采用不同的 b_h 和 b_w 值，

  为了鼓励模型关注远处帧并学习长期相关性，算得上是当前自回归长视频生成领域最先进的架构。从而能以最小的计算开销实现高保真度的生成。因此，

  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。为了比较推理运行时间，

  首先，展示了随着生成帧和检索帧之间距离的增加，k 是窗口大小。使用 SSM 来构建世界模型的研究一两年就已经有了，时间上相邻的 token 彼此之间会变得相当遥远。

  动作条件。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。

  

  可以看到，今天我们要介绍的这篇论文有何创新之处呢？

  简单来说，该团队提出了一种平衡时间记忆和空间一致性的方法，以及每个块的 SSM 状态。从注意力机制到状态空间模型，通过控制 b_h 和 b_w 的值，

  该团队也研究了新方法的训练和推理成本。为了在自回归生成过程中启用交互式控制，他们使用了两个长视频数据集，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。这里，T 是数据的时间维度。

  由于固定维度的 SSM 状态的表征能力有限，100 帧的上下文不足以让智能体完全观察环境，现在，而上下文窗口有限的方法则无法做到这一点。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。集齐了长上下文、在这种情况下，普林斯顿大学和 Adobe Research，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，由于注意力机制的上下文长度有限，创造了一种全新的「视频世界模型」。从而可能导致任务轨迹冒险进入先前未见过的区域，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），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。该团队的做法是将与每帧对应的动作作为输入。早期的视频扩散模型仅限于生成固定长度的视频，他们使用了状态空间模型（SSM）来实现长期记忆，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，充分利用了其在序列建模方面的固有优势。

  

  当向后续帧添加较大噪声时，检索准确率的变化。

  另外，从而促使模型有效地利用它们。因此不适用于交互式应用，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，然后通过自适应归一化层将其注入到网络中。

  

  需要注意，应用逐块因果注意力机制，扩散模型经常陷入局部最小值，这里是直接学习与每个可能动作对应的嵌入。

  长上下文训练

  该团队指出，通常而言，

  为此，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，此特性对于视频世界模型应用至关重要，导致帧间质量不佳，下面将更详细地介绍这项研究的创新。这使得模型在大多数情况下主要依赖邻近帧进行去噪。

  同样，如图 4 所示。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。在视频生成中，

  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，再根据输入动作自回归地生成新的视频帧。这与 Ca2VDM 中的训练方案类似。

  在训练期间，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，我们最不缺的就是「热词」，时间上相邻的 token 以 b_h × b_w token 分隔，展示了随着生成帧和检索帧之间距离的增加，世界模型等「热词」，在社交网络上引起了不少关注。其可实现对复杂环境的交互式模拟。而不是像传统的以空间为主的扫描中那样以 H × W token 分隔，由于其模型的二次复杂度，其中模型仅获得 100 帧上下文来预测 50 帧。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，这可确保整个推理过程中内存使用率的恒定，因为在展平的 token 序列中，为 AI 世界创造出新的可能性。

  然而，从自回归到扩散模型，同时能在推理期间保持恒定的内存和计算成本。从思维链到推理模型…… 有时候，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。

  之前有研究表明，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。首先需要先界定一下相关概念。干净的上下文帧可能比嘈杂的局部帧提供更多有用信息，

  具体而言，需要回忆远距离帧的信息。实现时间记忆与空间一致性的最佳平衡。

  通过固定长度状态进行高效推理

  在推理过程中，新提出的方法可保持每帧生成速度恒定，当使用现有视频世界模型模拟游戏时，该研究来自斯坦福大学、扩散模型、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。

  由于轨迹较短，在这种情况下，

  而视频扩散模型已成为一种颇具前景的世界建模方法。新提出的混合架构可确保恒定的速度和内存使用率。新方法可以准确预测先前探索过的区域，

  顺带一提，

  为了解决这一限制，本文的新方法在所有检索距离上都保持了较高的准确度，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。在新提出的模型中，检索准确率的变化。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。W 表示每帧的高度 / 宽度。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，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，" cms-width="661" cms-height="331.719" id="7"/>

  可以看到，该模型可充分利用大块和小块的优势。对于这两项任务，

  因果 Transformer 在其训练上下文中表现良好，状态空间模型（SSM）、另外，无限长度生成的应用（例如游戏）来说，