DecMem：面向分钟级一致世界生成的解耦记忆

arXiv 2026 53.2 method

TLDR

提出DecMem，一种解耦记忆架构，用于生成分钟级一致视频，实现细粒度时空一致性。

评分理由

The paper introduces a novel decoupled memory approach to address long-horizon consistency in video generation, which is a strength. However, the abstract lacks specific quantitative results or dataset details, and the focus is narrow (video generation) without addressing interactive or RL settings.

Read-first 评分解释

综合优先阅读分 53.2，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 37。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

90.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.90115039

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、实验

主题相关性 29%

52.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：378。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

解耦记忆架构，包含稀疏全局记忆（Sparse Global Memory）以实现对全局历史的高效细粒度访问，以及锚定局部记忆（Anchored Local Memory）以实现稳定高质量的外推。
识别并系统分析了注意力分散（attention dispersion）作为朴素可学习记忆架构在长程外推中的根本局限性。
提出细粒度、可学习、可扩展的记忆用于一致世界生成，超越了显式3D记忆和粗粒度帧级隐式建模。

方法

本文提出DecMem，一种解耦记忆架构，采用稀疏全局记忆（Sparse Global Memory）实现对全局历史的高效细粒度访问，以及锚定局部记忆（Anchored Local Memory）实现稳定高质量的外推。它解决了朴素可学习记忆的两个根本局限性：计算效率低下和注意力分散。该模型在长视频生成任务上进行了评估，并与当前最先进方法进行了比较。

关键结果

DecMem显著优于当前最先进方法，实现了分钟级可控长视频生成，具有高保真度和一致性。

资源

论文