Alaya-EVOKE：从线性扩展监督到无尽世界
Evoke 是一种交互式世界模型，旨在兼顾持久记忆、快速响应和长时生成。它将场景几何信息存储在外部的相机索引世界状态库中，只检索与当前视角相关的信息，从而使去噪器上下文不会随着会话长度增长。教师模型结合分块分组、远距离帧选择性检索和线性注意力全局状态，在内存和计算量线性增长的情况下提供长时监督。通过自强制 rollout 训练的 30 秒分布匹配目标，将这些能力迁移到三步学生模型中，在保留提示词和事件控制能力的同时，提升了对长期内容漂移的抵抗力。在单张 H200 上，以 384 × 640 分辨率生成每个 1.5 秒片段只需 2.11 秒。Evoke 在 WBench 上达到领先水平，在 VBench-Long 和 VBench-2.0 上也保持竞争力。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。