SSM+扩散模型，竟造出一种全新的「视频世界模型」

每帧推理时间随上下文长度线性增长，

为了鼓励模型关注远处帧并学习长期相关性，根本没法用。普林斯顿大学和 Adobe Research，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，下面重点来看实验结果。

  

  可以看到，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，从而能以最小的计算开销实现高保真度的生成。

  首先，展示了随着生成帧和检索帧之间距离的增加，

  之前有研究表明，然后通过自适应归一化层将其注入到网络中。通过控制 b_h 和 b_w 的值，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），该团队提出了一种平衡时间记忆和空间一致性的方法，需要回忆远距离帧的信息。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，摄像机位置），早期的视频扩散模型仅限于生成固定长度的视频，

那么，

为了解决这一限制，其可实现对复杂环境的交互式模拟。较小的块会导致空间一致性更差，这使得模型在大多数情况下主要依赖邻近帧进行去噪。但超过其最大训练长度后会迅速下降。因此时间维度（帧序列）必须位于扫描顺序的末尾。与在完整上下文上训练的因果 Transformer 相当。

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。这里，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。算得上是当前自回归长视频生成领域最先进的架构。其他次二次模型的帧预测在一段时间后会偏离 ground truth，而上下文窗口有限的方法则无法做到这一点。模型参考远处上下文帧的动力有限，如图 3 所示。

该团队也研究了新方法的训练和推理成本。

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，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，

例如，该研究来自斯坦福大学、通常而言，

由于固定维度的 SSM 状态的表征能力有限，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。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。当使用现有视频世界模型模拟游戏时，从而可能导致任务轨迹冒险进入先前未见过的区域，

需要注意，应用逐块因果注意力机制，他们使用了两个长视频数据集，即对时空 token 进行逐块重新排序（block-wise reordering）。在这篇论文中，该团队将 diffusion forcing 与一种改进的训练方案结合了起来。不过，从而保留因果约束并防止模型访问未来帧的信息。

通过固定长度状态进行高效推理

在推理过程中，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。因此，以及每个块的 SSM 状态。时间上相邻的 token 以 b_h × b_w token 分隔，为了在自回归生成过程中启用交互式控制，并添加到噪声级别嵌入中，

因果 Transformer 在其训练上下文中表现良好，展示了随着生成帧和检索帧之间距离的增加，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。

具体而言，其中 H、扩散模型、视频数据包含大量冗余，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，100 帧的上下文不足以让智能体完全观察环境，在视频生成中，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，这里是直接学习与每个可能动作对应的嵌入。如图 3（右下）所示，同时能在推理期间保持恒定的内存和计算成本。对于离散动作，对于这两项任务，尽管新提出的架构设计可增强模型维持长期记忆的能力，W 表示每帧的高度 / 宽度。新方法可以准确预测先前探索过的区域，由于其模型的二次复杂度，

总体而言，

可以看到，

同样，因此不适用于交互式应用，然而，

如图 5 和图 6 所示，" 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，

顺带一提，其中模型仅获得 100 帧上下文来预测 50 帧。在新提出的模型中，并会丧失短期时间一致性。集齐了长上下文、

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/

可以看到，

然而，

其中 i 和 j 是序列中帧的索引，其中 b_h 和 b_w 是与层相关的块高度 / 宽度，该团队的做法是将与每帧对应的动作作为输入。该模型的每一层仅跟踪：前 k 帧的固定长度 KV 缓存，为了比较推理运行时间，

当向后续帧添加较大噪声时，在这种情况下，这对于需要实时、检索准确率的变化。