本文一作為肖澤琪，本科畢業於浙江大學，現為南洋理工大學博士生，研究方向是基於影片生成模型的世界生成和模擬，導師為潘新鋼。個人主頁：
https://xizaoqu.github.io
近年來，基於影片生成模型的可互動世界生成引發了廣泛關注。儘管現有方法在生成質量和互動能力上取得了顯著進展，但由於上下文時間視窗受限，生成的世界在長時序下嚴重缺乏一致性。
針對這一問題，南洋理工大學 S-Lab、北京大學與上海 AI Lab 的研究者提出了創新性的世界生成模型——WorldMem，透過引入記憶機制，實現了長時序一致的世界生成。
WorldMem 在 Minecraft 資料集上進行了大規模訓練，支援在多樣化場景中自由探索和動態變化，並在真實資料集上驗證了方法的可行性。
-
論文名稱：WorldMem: Long-term Consistent World Simulation with Memory
-
專案主頁： https://xizaoqu.github.io/worldmem
-
論文程式碼：https://github.com/xizaoqu/WorldMem
-
Demo：https://huggingface.co/spaces/yslan/worldmem
研究背景
世界生成模型在近期受到了廣泛關注，如谷歌的 Genie 2 [1]、阿里的 The Matrix [2]、Meta 的 Navigation World Models [4] 等。這些方法在生成質量與互動性方面取得了顯著進展，但長時一致性問題仍未得到有效解決。
舉例：當我們控制視角先向右轉，再向左轉。
在傳統方法中，回看時場景內容會發生顯著變化。
在 WorldMem 中，我們在世界生成模型中引入記憶機制，實現了一致的世界生成。
方法效果
WorldMem 透過引入記憶機制，實現了長時序下世界生成的一致性。智慧體可在廣闊的動作空間中探索多樣場景，生成結果在視角和位置變化後仍保持良好的幾何一致性。
同時，WorldMem 還支援時間一致性建模。比如在雪地中放置南瓜燈，隨著時間推移，模型不僅保留該物體，還能生成其逐漸融化周圍積雪的細節，體現真實的事件演化過程。
方法
WorldMem 模型的主要結構如下圖所示，包含三大核心模組：
-
條件生成模組
-
記憶讀寫模組
-
記憶融合模組
條件生成模組——支援互動與持續生成的條件影片生成主幹
我們基於 Oasis [5] 和 Conditional DiT [6] 構建了世界生成基模型，並採用 Diffusion Forcing [3] 訓練策略，使模型能在有限上下文下實現自迴歸式長時生成。
儘管擴散模型結合自迴歸訓練具備一定的長時生成能力，但仍受限於上下文視窗，易出現遺忘問題，導致生成內容逐漸失真。為此，我們引入記憶機制，以增強模型的長期一致性。
記憶讀寫模組——負責歷史資訊的存取與精準檢索
-
記憶庫（Memory Bank）：構建生成的長期記憶
為緩解上下文視窗帶來的遺忘問題，我們引入了記憶機制，作為一個持續更新的外部緩衝區，幫助模型回顧過去，保持場景在時間上的連續性。
我們設計的記憶庫用於儲存生成過程中的關鍵歷史資訊。每個記憶單元包含影像幀及其對應的狀態（視角位姿與時間戳）。隨著生成推進，記憶庫不斷積累，構建起一套可檢索的時間記錄。
-
記憶檢索（Memory Retrieve）：高效選出最相關的歷史幀
由於每次生成僅能參考少量歷史幀，我們設計了一種貪心匹配演算法，從龐大的記憶庫中高效篩選關鍵資訊：
-
計算相似度（基於視野重疊與時間差異）；
-
選取與當前場景最接近的記憶單元；
-
過濾冗餘，確保選出的記憶代表性強、資訊多樣。
這一過程不僅提升了生成效率，也保障了歷史資訊的有效利用。
記憶融合模組——融合關鍵歷史幀，引導當前生成
在長時序影片生成中，僅依賴當前幀難以維持場景一致性。我們引入記憶融合模組，透過融合關鍵歷史幀，引導當前生成，使模型在視角或場景變化後，仍能還原先前內容。
不同於 StreamingT2V [7]、SlowFast [8] 等方法主要依賴高層語義特徵，我們更關注細節重建與空間一致性，因此需要更精細的歷史關聯機制。
-
Memory Attention：連線過去與現在
我們採用跨注意力機制，實現當前幀與歷史幀的動態互動：
-
為當前幀和記憶幀新增狀態嵌入（位姿 + 時間）；
-
透過注意力計算，提取與當前場景最相關的記憶資訊，生成融合特徵用於引導生成。
這種方式實現了歷史資訊的高效利用與精準檢索，顯著增強生成的一致性。
-
狀態嵌入設計：精細表達空間與時間
為提升融合效果，我們設計了兩類嵌入：
-
位姿嵌入：採用 Plücker 座標表達空間位置；
-
時間嵌入：使用 MLP 對映時間戳。
二者相加構成最終狀態特徵。此外，我們引入相對嵌入機制：
-
查詢幀使用零向量，僅依賴記憶幀的相對狀態；
-
並採用幀獨立檢索策略，確保每幀都能單獨提取最相關歷史資訊。
整體上，記憶融合模組顯著提升了模型的空間理解與細節保持能力，是實現穩定、連貫世界生成的關鍵組成部分。
實驗
在 Minecraft 上的結果
我們在 Minecraft 基準測試中評估了所提方法，結果顯示：
-
在短時生成中，傳統方法易出現一致性問題，而引入記憶機制後，生成質量與一致性明顯提升；
-
在長時推理中，傳統方法效能顯著下降，而我們的方法在各項指標上保持優勢，展現出良好的長期穩定性。
-
長時序生成對比
下圖展示了不同消融設定下，模型在 300 幀序列上的 PSNR 變化。結果表明：
-
缺少記憶模組或採用隨機檢索的方法，在短時間內即出現一致性下降；
-
缺少相對位置編碼的模型，在 100 幀後效能明顯退化；
-
完整方法在 300 幀以上仍保持穩定一致性，展現出優越的長期建模能力。
-
視覺化結果
與模擬資料（Ground Truth）相比，WorldMem 能夠基於記憶條件輸入，準確建模世界場景，同時支援動態變化（如降雨），並保持良好的時間一致性。
WorldMem 支援與生成世界的互動，例如在沙漠中放置乾草堆或在草原上種植作物。這些事件會被寫入記憶庫，並影響後續生成。當用戶回到曾種植作物的位置時，不僅能看到作物仍在，還能觀察其從發芽到生長的過程，體現出模型對時間動態的建模能力。
-
在真實場景上的結果
我們同時也將我們的方法在真實場景資料上做了驗證，結果顯示，加入記憶機制後，我們的方法能夠增強真實世界生成的一致性。
更多定製軌跡的結果:
更多細節請參考我們的論文與專案主頁。
展望
近年來，影片生成模型（如 WAN 2.1 [9]、Hunyuan [10] 等）展現出驚人的世界生成與模擬能力，驗證了其在理解與生成複雜環境中的潛力。
我們相信，未來互動式影片生成模型將在虛擬模擬、互動智慧等領域發揮越來越重要的作用。
WorldMem 為世界一致性建模邁出了關鍵一步，隨著技術發展，影片生成模型有望成為構建真實、持久、互動式虛擬世界的核心引擎。
歡迎對該方向感興趣的研究者、開發者與我們交流探討！
參考文獻
[1] Genie 2: A large-scale foundation world model. 2024.
[2] The Matrix: Infinite-Horizon World Generation with Real-Time Moving Control. arXiv 2024.
[3] Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion. NeurIPS 2024.
[4] Navigation World Models. CVPR 2025.
[5] Oasis: A universe in a transformer. 2024.
[6] Scalable Diffusion Models with Transformers. ICCV 2023.
[7] StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text. arXiv 2024.
[8] Slow-Fast Learning for Action-Conditioned Long Video Generation. arXiv 2024.
[9] Wan: Open and Advanced Large-Scale Video Generative Models. arXiv 2025.
[10] HunyuanVideo: A Systematic Framework For Large Video Generative Models. arXiv 2024.
© THE END
轉載請聯絡本公眾號獲得授權
投稿或尋求報道：[email protected]