EVOKE 14B：Alaya Lab 的开源三步交互式世界模型

概述

EVOKE（“Endless Interactive World with Bounded State and Long-Horizon Supervision”）是 Alaya Lab 在 AlayaWorld 之后推出的新一代模型。论文描述了一个三步、无 CFG 的世界模型：它在 WBench 交互式基准上取得了最先进的结果，同时在 VBench-Long 和 VBench-2.0 上保持竞争力。

蒸馏后的模型生成 384 x 640 @ 24 fps 的视频，并能在 30 秒的 rollout 中保持连贯，在单个 H200 上每 2.11 秒生成 1.5 秒视频。权重已在 Hugging Face 上开源，推理和训练启动脚本位于 GitHub 仓库 中。

EVOKE 官方概览视频

三步生成，零 CFG

大多数少步模型的天花板继承自用于蒸馏的教师模型。EVOKE 没有把教师模型当作固定的生成器，而是为其重新设计了长时程交互式生成方式：逐块分组、远帧检索和线性注意力全局状态，使教师模型的内存和计算量随会话长度线性增长，这正是 30 秒自强制（self-forced）监督得以可行的原因。

在自强制 rollout 下应用的分布匹配目标将这些能力迁移到三步学生模型，该模型的无分类器引导（CFG）为零，每一步只需一次前向传播而非两次。

EVOKE 推理管线：持久化世界状态库为自回归少步去噪器提供输入

无限而非窗口化

交互式世界模型面临一个矛盾：将历史记录保存在去噪器上下文或键值缓存中，成本会随会话长度增长；而低延迟交互则要求少步生成。EVOKE 通过外部化持久世界状态来解决这一问题：

• 写入：单目深度模型在已知相机位姿下估计每个已生成块（chunk）的深度，并将其反投影到持久化点云中。
• 读取：当前相机位姿直接寻址状态库；按共视性排序的最多八个来源通过批量 z-buffer 散射融合，返回扭曲图像和逐像素可见性遮罩。
• 淘汰：可选的保留窗口，仅在小时级运行时显式启用。

由于只检索与视角相关的信息，无论会话运行多久，去噪器上下文都保持有界，无需用会话长度换取内存。

中途改变世界

逐块条件允许在 rollout 运行期间更改提示词，无需剪切，无需重新启动。下面的每个演示都在第 3 个块（共 6 个，213 帧，8.9 秒）处切换：

	场景	提示词切换为
	冰封苔原，极地日光	极光点亮整个天空
	持久化世界导航	相机移动和转向，而世界保持其空间状态

条件模式

能力演示：像玩游戏一样在已生成的世界中导航（来自官方项目页面）

发布内容

本次发布包含四个模型以及基础组件：

每个 EVOKE 目录都是 transformer/ 的父目录，并使用 from_pretrained(path, subfolder="transformer") 加载。蒸馏模型仅使用 v2v 条件训练，因此其上的 i2v 和 t2v 属于零样本（zero-shot）；只有 stage1_camera_control 在分布内支持全部三种模式。evoke-base 中的 VAE、文本编码器、分词器和调度器来自已发布的 Helios 基础模型，其来源可追溯至 Wan万相。

可用性

EVOKE 在发布之初暂不支持原生 ComfyUI。官方发布提供了 Python 推理启动脚本（scripts/inference/infer_post_distill.sh），支持文生视频、图生视频、视频转视频和 rollout 中途片段模式，以及各阶段的训练启动脚本。世界状态库必须使用 ViGeo 深度后端；Depth-Anything-3 为可选。权重可在 Hugging Face 的 AlayaLab/Evoke 获取。