WorldTrace：视频世界模型的可寻址记忆（Addressable Memory for Video World Models）¶

Ch06.036 WorldTrace：视频世界模型的可寻址记忆（Addressable Memory for Video World Models）¶

📊 Level ⭐⭐ | 4.8KB | entities/worldtrace-addressable-memory-video-world-models.md

WorldTrace：视频世界模型的可寻址记忆¶

来源: NVIDIA Spatial Intelligence Lab（SIL）+ Princeton + Toronto + Vector Institute，ICML 2026 F2S Workshop Best Paper（oral）。arXiv: 2608.07408。

核心主张¶

自回归视频世界模型的长程视觉持久性崩溃，根因是 position 问题而非 content 问题：temporal RoPE offsets 一旦超过训练时域，缓存的记忆物理上仍在、但对 attention 已不可寻址。WorldTrace 用 slot-rank 虚拟位置让每个压缩记忆槽在任何生成长度下都保持 in-distribution，无需重训生成器。

问题诊断：记忆为何在训练时域外失效¶

可寻址性失效：KV cache 中存储的视觉记忆超过训练窗口后，attention queries 看到的 phase 是模型从未学会寻址的——记忆"存在但读不出"。
内容保真度失效：naive key averaging 在 RoPE 旋转空间混合不相容相位，phase cancellation 摧毁压缩摘要携带的信号。

方法：双层 cache + 两种 writer¶

WorldTrace 构建两层 KV cache：逐字近期窗口 + $N_s$ 个 summary slots。核心创新是 slot-rank position assignment——虚拟位置 $v_s = q - (L_{train} - 1 - s)\cdot F$ 只由 slot 的 rank 决定，与 rollout 长度无关，因此任何 horizon 下 summary 都保持在训练分布内。

两个互补 writer 填充 slots：

Writer	机制	目标
WT-Field	canonical-key averaging：keys 先对齐到共享相位、平均、再旋转回 slot 位置，避免 phase cancellation	压缩下的时间连贯性（smooth long rollouts），非回忆机制
WT-Landmark	从 canonical-key signal 检测场景入口帧，逐字存储进 summary slots 并冻结（防 bfloat16 drift）	长 rollout 的 episodic recall（回忆已访问场景）

关键结果¶

WT-Landmark（episodic recall，LoopMem benchmark，PAC 指标）：

长 ABA path：0.825 vs 0.627（sliding-window baseline）
标准 ABA：0.864 vs 0.723
ABABA：0.941 vs 0.892
360° pan（最难）：0.577 vs 0.559——增益最小，把局限暴露在明处而非藏进聚合数

WT-Field（coherence rollouts，TempSSIM）：

8× horizon：+5.9% vs Block-Rel；16×：+2.8%
24× horizon（N=48）：+15.5% vs sliding-window，且降低 Local Scene Drift
所有 N-dependent 位置公式均非单调退化，唯 slot-rank 单调有效

工程意义¶

训练无关、$O(1)$ summary cache：即插即用型 drop-in 方案，不需要重训生成器，适配现有 AR 视频世界模型。
"记忆失效是位置问题"的普适诊断：对 KV cache 压缩、长上下文技术有迁移价值——压缩后记忆的可寻址性（而非容量）是长程任务的真正瓶颈。
phase cancellation 的显式处理：RoPE 空间中的 key averaging 需要先对齐相位再平均，这一原则适用于任何基于 RoPE 的缓存压缩方案。