Alaya-EVOKE：小时级视频世界模型（外部世界状态银行）¶

Ch04.796 Alaya-EVOKE：小时级视频世界模型（外部世界状态银行）¶

📊 Level ⭐⭐ | 2.4KB | entities/alaya-evoke-hour-level-video-world-model.md

Alaya-EVOKE：小时级视频世界模型¶

要解决的问题¶

视频世界模型跑久了会面临三个问题：画面发灰发糊/过曝过饱和、场景悄悄换了地方、显存先撑不住。其根因在于"能跑多久"与"能记多少"被迫互换——历史留在去噪器上下文或 KV cache 里，每步开销随会话变长；开窗口/逐出缓存能按住成本，代价是丢信息。

解法：把空间状态搬到模型外¶

Alaya Lab、中国科学技术大学与上海创智学院联合推出的 Alaya-EVOKE 把这条线拉到小时级：示例展示连续生成 120 分钟、4800 个片段、172800 帧一镜到底的视频，亮度/饱和度/对比度一路稳住，上下文有固定上界，单步成本不随会话变长。核心判断是"生成长度与记忆不必压在同一个去噪器上"——把空间状态挪到模型外，长时程与动态条件交给重做过的老师。

学生网络只保留最近 19 个 latent 帧（约 3.2 秒），走出 3.2 秒的内容不再进上下文，而是写进一个以相机位姿为索引的外部「世界状态银行」，只有三个操作：读入、写回、按位姿寻址。低延迟用 3 步去噪实现：单卡 H200 生成 1.5 秒的 384×640 视频，扩散部分只要 2.11 秒，且连 CFG 都不开（零 CFG）。

定位与意义¶

• 与 CurrentWorld-0、BAAI Orca、A2RD 等世界模型同属持续生成/长时程阵营，但 EVOKE 的关键差异化是把记忆显式外置为以位姿为索引的状态银行，从而把"跑多久"与"能记多少"解耦。
• 对 Agent/具身方向的意义：外置状态银行 + 固定上下文上界，为长时程物理世界模拟与实时响应提供了一个可落地的成本约束方案。

→ 原文存档