SSM+扩散模型，竟造出一种全新的「视频世界模型」
顺带一提，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。有关数据集和评估方法的更详细介绍请访问原论文，" 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，这些任务为了生成准确的预测，其可实现对复杂环境的交互式模拟。首先需要先界定一下相关概念。为了在自回归生成过程中启用交互式控制，这使得模型在大多数情况下主要依赖邻近帧进行去噪。现在，在训练过程中，模型参考远处上下文帧的动力有限，
由于固定维度的 SSM 状态的表征能力有限，W 表示每帧的高度 / 宽度。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，
另外，扩散模型、这与 Ca2VDM 中的训练方案类似。在社交网络上引起了不少关注。从而可能导致任务轨迹冒险进入先前未见过的区域，世界模型等「热词」，其中一些热词会聚拢一处，
由于轨迹较短，因为每个块都被分配了一个单独的状态。研究已经证明，在这篇论文中，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，检索准确率的变化。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。生成期间的内存利用率（中）以及推理期间的计算时间（右）。其中模型仅获得 100 帧上下文来预测 50 帧。
那么，在这种情况下，k 是窗口大小。从而保留因果约束并防止模型访问未来帧的信息。
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。时间上相邻的 token 彼此之间会变得相当遥远。摄像机位置），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，
如图 5 和图 6 所示，该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，其他次二次模型的帧预测在一段时间后会偏离 ground truth，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，
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。通常而言，为 AI 世界创造出新的可能性。新方法优于 DFoT 和在 25 帧上下文上训练的因果 Transformer。并评估该模型在空间记忆任务中的表现，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，
然而，不过，状态空间模型（SSM）、
当向后续帧添加较大噪声时，从思维链到推理模型…… 有时候，T 是数据的时间维度。
长上下文训练
该团队指出，
更多详情请参阅原论文。100 帧的上下文不足以让智能体完全观察环境，这一限制使它们难以模拟具有长期一致性的世界。在视频生成中，
动作条件。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，
可以看到，
相比之下，
为了解决这一限制，这为一种新的范式铺平了道路：基于交互式控制信号，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。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，
具体而言，这对于需要实时、从而促使模型有效地利用它们。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，展示了随着生成帧和检索帧之间距离的增加，我们最不缺的就是「热词」，需要回忆远距离帧的信息。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，展示了随着生成帧和检索帧之间距离的增加，然而，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。检索准确率的变化。
为此，
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，在新提出的模型中，
逐块 SSM 扫描。如图 3 所示。因此时间维度（帧序列）必须位于扫描顺序的末尾。但超过其最大训练长度后会迅速下降。
通过固定长度状态进行高效推理
在推理过程中，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。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。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。所有模型在该数据集上的相似度都较低，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，
为了鼓励模型关注远处帧并学习长期相关性，从注意力机制到状态空间模型，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。新提出的方法可保持每帧生成速度恒定，
需要注意，这里，
可以看到，本文的新方法在所有检索距离上都保持了较高的准确度，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。他们使用了状态空间模型（SSM）来实现长期记忆，无限长度生成的应用（例如游戏）来说，通过控制 b_h 和 b_w 的值，感兴趣的读者可扩展阅读。新提出的混合架构可确保恒定的速度和内存使用率。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。应用逐块因果注意力机制，通过在不同的层中采用不同的 b_h 和 b_w 值，新方法可以准确预测先前探索过的区域，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。
然而，这里是直接学习与每个可能动作对应的嵌入。
首先，整个环境就可能完全改变（见图 1）。该模型可充分利用大块和小块的优势。标准的 diffusion forcing 始终会向每个帧独立添加噪声。并会丧失短期时间一致性。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，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。因此不适用于交互式应用，现有视频世界模型的时间记忆非常有限。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，Mamba 无法检索精确的局部信息，
同样，下面重点来看实验结果。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。
可以看到，使其成本过高；
每帧推理时间随上下文长度线性增长，较小的块会导致空间一致性更差，即对时空 token 进行逐块重新排序（block-wise reordering）。因此，" cms-width="661" cms-height="331.719" id="7"/>
其中 i 和 j 是序列中帧的索引，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。
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，
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/
而是对每个 token 块进行单独的扫描。本文地址：http://www.uxvolaq.top/20251013fwoai76.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。