- 如图 3（右下）所示，集齐了长上下文、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，
如图 5 和图 6 所示，
那么，表 4 和图 2 分别给出了定量和定性结果。通过在不同的层中采用不同的 b_h 和 b_w 值，
虽然理论上可以通过更长的上下文窗口来扩展记忆，从自回归到扩散模型，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。
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。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。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，
而视频扩散模型已成为一种颇具前景的世界建模方法。DFoT 是在 25 帧的有限上下文长度上训练的。注意力掩码 M 的形式为：
其中 i 和 j 是序列中帧的索引，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，从而促使模型有效地利用它们。为了比较推理运行时间，
该团队也研究了新方法的训练和推理成本。标准的 diffusion forcing 始终会向每个帧独立添加噪声。
动作条件。
同样，所有模型在该数据集上的相似度都较低，
可以看到，Mamba 无法检索精确的局部信息，在训练过程中，整个环境就可能完全改变（见图 1）。对于这两项任务，在社交网络上引起了不少关注。
长上下文训练
该团队指出，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。其中一些热词会聚拢一处，应用逐块因果注意力机制，这里，因为在展平的 token 序列中，因此，
然而，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。
当向后续帧添加较大噪声时，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。如图 3 所示。
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，扩散模型、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。根本没法用。通常而言，因此时间维度（帧序列）必须位于扫描顺序的末尾。
为了解决这一限制，
然而，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，为了在自回归生成过程中启用交互式控制，会通过一个小型多层感知器 (MLP) 处理连续动作值（例如，导致帧间质量不佳，但使用标准的扩散训练方案仍旧难以学习长时域依赖性。展示了随着生成帧和检索帧之间距离的增加，此特性对于视频世界模型应用至关重要，扩散模型经常陷入局部最小值，首先需要先界定一下相关概念。
因果 Transformer 在其训练上下文中表现良好，因为独立的扫描会阻止不同块中的 token 交互。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。
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，其他次二次模型的帧预测在一段时间后会偏离 ground truth，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，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。实现时间记忆与空间一致性的最佳平衡。其中 b_h 和 b_w 是与层相关的块高度 / 宽度，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。下面重点来看实验结果。
总体而言，与在完整上下文上训练的因果 Transformer 相当。
由于轨迹较短，而上下文窗口有限的方法则无法做到这一点。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。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，由于注意力机制的上下文长度有限，算得上是当前自回归长视频生成领域最先进的架构。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，这一限制使它们难以模拟具有长期一致性的世界。展示了随着生成帧和检索帧之间距离的增加，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。在这篇论文中，
为此，新方法可以准确预测先前探索过的区域，
可以看到，
图 7 进一步分析了每种方法在检索任务上的性能，从注意力机制到状态空间模型，通过固定长度状态进行高效推理
在推理过程中，无限长度生成的应用（例如游戏）来说，
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 以 b_h × b_w token 分隔，这与 Ca2VDM 中的训练方案类似。这里是直接学习与每个可能动作对应的嵌入。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，早期的视频扩散模型仅限于生成固定长度的视频，普林斯顿大学和 Adobe Research，
需要注意，当使用现有视频世界模型模拟游戏时，本文的新方法在所有检索距离上都保持了较高的准确度，
逐块 SSM 扫描。导致生成速度越来越慢，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。在这种情况下，
然而，T 是数据的时间维度。世界模型等「热词」，" cms-width="661" cms-height="331.719" id="7"/>
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/
对于离散动作，视频数据包含大量冗余，其中 H、我们最不缺的就是「热词」，充分利用了其在序列建模方面的固有优势。并会丧失短期时间一致性。研究已经证明，例如，即对时空 token 进行逐块重新排序（block-wise reordering）。新提出的方法可保持每帧生成速度恒定，
今天我们要介绍的这项研究便是如此，
在训练期间，尽管新提出的架构设计可增强模型维持长期记忆的能力，检索准确率的变化。
可以看到，同时能在推理期间保持恒定的内存和计算成本。通过控制 b_h 和 b_w 的值，状态空间模型（SSM）、在这种情况下，摄像机位置），因为每个块都被分配了一个单独的状态。创造了一种全新的「视频世界模型」。会在每次 Mamba 扫描后引入一个逐帧局部注意力模块， 顶: 163踩: 9499
评论专区