时空预测的扩散模型通常给每个未来帧加独立噪声，把时间相关性全部交给去噪网络学习。DSSD改为用可学习的对角状态空间模型构造加噪过程本身的时间算子，其衰减率与频率与去噪器联合训练，并用该模型平稳协方差的Cholesky因子保证算子因果、可逆且每帧噪声方差不变。在SEVIR、Turbulence、BAIR、RoboNet四个数据集上，它与共享同一去噪器的扩散基线比较取得更低的概率预测误差，其中SEVIR原始CRPS为3.975、最强基线DPM为4.174。
这篇综述以“模型内部上下文记忆”为统一分析单位，提出记忆表示、记忆更新、访问、读出与整合五个维度，梳理Softmax注意力、稀疏注意力、线性注意力、状态空间模型与混合架构五条研究线，并用截至2026年9月22日的59条发布级记录（覆盖14个主要模型谱系）和11个高性能开源权重端点的冻结对比，说明注意力设计在走向多样化而非收敛，混合与跨层复用正在把网络深度变成组织上下文记忆的一个维度。
该工作提出 FRAC，一种从分数阶动力学推导的选择性状态空间模型架构，用有限状态、对数间隔的指数模式之和逼近重尾分数阶核，把指数遗忘替换为幂律长记忆，在合成长尾与召回任务、1.3B 参数语言模型的长上下文评测以及 DNA 建模上优于 Mamba2、GDN、Mamba3 等 SSM 基线，同时在短上下文任务上保持竞争力。
已读完全部报道