知识卡片：Alaya-EVOKE：从线性扩展监督到无尽世界

英文标题：Alaya-EVOKE: From Linear-Scaling Supervision to Endless World
英文关键词：interactive world model, persistent memory, few-step generation, long-horizon supervision, external world state bank, distribution matching
原始来源：https://arxiv.org/abs/2608.13546v1

一句话结论

Evoke 通过将持久世界状态外部化、并重新设计教师模型来提供长时程监督，使三步生成学生模型在保持低延迟交互的同时，获得有界上下文、抗长期漂移的开放式世界生成能力。

事件概述 / 研究问题

交互世界模型需要同时满足持久记忆、响应式交互和长时程生成，但这三个要求互相冲突：在去噪器上下文或键值缓存中维护历史会带来随会话变长的成本，迫使模型在会话长度与记忆保留之间取舍；低延迟交互依赖少步生成，而少步生成的能力又受限于其教师模型。Evoke 旨在同时解决这两个限制。

方法 / 产品要点

• 外部化世界状态：场景几何保存在一个外部、由相机索引的世界状态库（world state bank）中；每次只检索与当前视图相关的信息，使去噪器上下文在会话增长时保持有界。
• 重新设计教师模型以支持长时程监督：采用稀疏注意力，结合分块分组、检索选定远距离帧和线性注意力全局状态，使内存和计算随序列长度线性增长，从而能在长时间范围内提供监督。
• 暴露并应对内容漂移：长时程监督会暴露那些在短窗口内看起来合理的内容漂移；通过逐块条件化，可以在整个序列中实现提示更改和事件控制。
• 30 秒分布匹配目标：在自强制生成（self-forced rollouts）条件下应用该目标，将能力迁移到不使用无分类器引导的三步学生模型，既提高抗长期漂移能力，又保持响应式条件控制。
• 推理性能：在单张 H200 上、分辨率 384×640 条件下，每个 1.5 秒视频块生成耗时 2.11 秒。

主要结果 / 产业意义

• 支持开放式、持续演变的生成，上下文有界且使用循环外部记忆。
• 作为三步世界模型，Evoke 在 WBench 上达到最先进性能，同时在 VBench-Long 和 VBench-2.0 上保持竞争力。
• 具体评分数值待核实；摘要未提供与基线的详细对比表。

为什么重要

该工作提供了一条同时解决“记忆成本随会话增长”与“少步生成受教师限制”两条瓶颈的路径。与已有相关卡片中的诊断性工作（如 WorldExam）相比，Evoke 不是用于评测世界模型的反应性，而是直接提出一个可运行的交互世界模型架构；增量信息在于将外部记忆与长时程教师监督结合，实现既响应式又可无限延续的生成。

局限与不确定性

• 摘要未提及模型参数量、训练数据规模、训练计算成本等细节，待核实。
• “端到端可无限生成”的稳定性仅在摘要层面得到声明；具体失败模式、记忆容量上限等未说明，待核实。
• 论文为 arXiv 预印本（arXiv:2608.13546v1），尚未提供同行评议信息。

可用于图书 / PPT / 简报的角度

• 用“外部世界状态库”类比游戏引擎的地图分块加载：只加载视野内信息，从而实现无限地图。
• “教师改行做长跑教练”：不再用固定生成器做教师，而是专门设计长时程监督的教师，把抗漂移能力蒸馏给学生。
• 用 2.11 秒生成 1.5 秒视频块说明实时性的接近程度；也可用于展示三步蒸馏与无分类器引导的取舍。

原始材料

• 英文标题：Alaya-EVOKE: From Linear-Scaling Supervision to Endless World

• arXiv ID：2608.13546v1

• 作者：Yuanyang Yin, Gongxuan Wang, Yifan Zhan, Chuanhao Li, Kaipeng Zhang, Feng Zhao

• 提交/更新：2026-08-13

• 分类：cs.CV

• 摘要原文：

  Interactive world models must support persistent memory, responsive interaction, and long-horizon generation, yet these requirements place conflicting demands on the model. Maintaining history in the denoiser context or key-value cache incurs growing cost, forcing a trade-off between session length and retained memory, while low-latency interaction relies on few-step generation whose capabilities are bounded by its teacher. Evoke addresses both limitations by externalizing persistent world state and redesigning the teacher for long-horizon interactive generation. Scene geometry is maintained in an external, camera-indexed world state bank, from which only view-relevant information is retrieved, keeping the denoiser context bounded as the session grows. Rather than treating the teacher as a fixed generator, we design it for long-horizon supervision: its sparse attention combines chunk-wise grouping, retrieval of selected distant frames, and a linear-attention global state, yielding linear growth in memory and compute while enabling supervision over long horizons. Such supervision exposes content drift that stays locally plausible within short windows, while per-chunk conditioning enables prompt changes and event control throughout the sequence. A 30-second distribution-matching objective, applied under self-forced rollouts, transfers both capabilities to a three-step student that uses no classifier-free guidance, improving resistance to long-term drift while preserving responsive conditioning. With bounded context and recurrent external memory, Evoke supports open-ended, continuously evolving generation; on a single H200 at 384×640, each 1.5 s chunk is generated in 2.11 s. As a three-step world model, Evoke achieves state-of-the-art performance on WBench while remaining competitive on VBench-Long and VBench-2.0.