世界模型一口气输出小时级视频不跑偏，开源了

Alaya Lab 团队投稿
量子位 | 公众号 QbitAI

视频世界模型跑久了，往往面临三个问题：

画面发灰发糊或者过曝过饱和、场景悄悄换了地方、显存先撑不住。

Alaya Lab、中国科学技术大学与上海创智学院联合推出的Alaya-EVOKE把这条线拉到了小时级：示例展示了连续生成120分钟，4800个片段、172800帧一镜到底的视频结果。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。

而它只用3步去噪，连CFG都不开。单卡H200生成1.5秒的384×640视频，扩散部分只要2.11秒。

△七条不间断长会话，每行同一会话均匀采样六帧

持久记忆、实时响应、无限时长，为何难以兼得

三者彼此打架：历史留在去噪器上下文或KV cache里，每步开销就随会话变长；开窗口、逐出缓存能按住成本，代价却是丢信息——“能跑多久”和“能记多少”被迫互换。另一边，低延迟只能做几步去噪，得从慢老师蒸馏，学生天花板由老师的监督时长和条件方式决定。

EVOKE的判断是，这两件事不必压在同一个去噪器上：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。

技术方案

△递归循环：位姿把世界状态银行读进当前视角，新片段再写回银行

把记忆搬到模型外面

学生只留最近19个latent帧、约3.2秒。走出这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：

写入。单目深度模型给新片段估12帧深度，按相机内外参反投影追加进持久点云；各片段几何独立插入，避开长序列深度融合的尺度漂移。
读取。当前位姿即地址，候选源视角按共视度排序，最多取8个做批量z-buffer投影，返回对齐当前视角的warp图与逐像素可见性掩码。
逐出。全部在CPU内存侧完成，不占GPU资源、不受显存约束。

掩码也决定记忆能被信任到什么程度：低于0.5的像素直接赋σ=1，等于什么都不给；有几何支撑处只加很轻的噪声。至于“三步”，是12×20、24×40、48×80的latent金字塔，几何条件只在最粗一级注入。

△转身离开再转回来，银行把街景放回原处（黑色带状需补全）

教师模型不该只是个“高质量打分器”

多数工作中，蒸馏只是加速手段，teacher本身并不为长时序监督而设计：双向注意力带来随序列长度平方增长的计算开销，训练通常局限于短片段，同时整段序列共享单一提示词，难以支持生成过程中的条件切换。EVOKE则进一步改造teacher，通过线性注意力与分chunk计算将其转化为一个计算开销可控、支持中途切换prompt、能够提供长时序监督与条件调度的教师模型。这点尤其重要，因为student的长rollout退化——例如色彩漂移与内容漂移——往往只有在时间跨度足够长后才会真正暴露，而EVOKE的long-horizon teacher正是针对这些短窗口监督难以捕捉的问题提供训练信号。

具体而言Evoke Teacher建在14B的Wan2.2 A14B上，保留高噪、低噪双专家；序列切成9个latent帧一块，每块只看固定几样：首帧sink、本地片段、压缩过的近邻帧、按重要性挑的远帧，加上线性注意力的全局状态——访问量有上界，注意力从二次降到近似线性。分块也让每个片段能挂独立文本条件。