世界模型外挂记忆突破长视频生成瓶颈
推荐指数 72.0 NO. 022 · 2026.08.15
upvotes81comments1
为什么值得看
Evoke 将持久化世界状态外置到外部记忆，并重新设计了支持长程交互的教师模型，实现了低延迟的开放式视频生成。对做实时交互生成、游戏引擎或虚拟世界的团队，这是解决"记忆-延迟-长程"三角冲突的新范式。
媒体预览
编辑判断
当前交互式世界模型要么像 Sora 那样做长视频但延迟高不可交互，要么像 GameNGen 那样实时但记忆只有几帧。Evoke 的 trick 是把场景几何和动态信息存到外部数据库，denoiser 只处理当前窗口，这实际上是把 RAG 的思路搬到了视频生成里。
教师模型的重新设计更关键：它不再是一次性生成完整视频，而是迭代式地生成下一 chunk 并更新世界状态，这让 few-step 学生模型能继承长程一致性能力。论文提到 latency 在 A100 上能做到 200ms 级别，已经接近游戏帧率要求。
代码和 demo 尚未开源，但方法本身不依赖特定架构，用 DiT 或 SD3 backbone 都能复现。做 AI 游戏、实时数字孪生的团队可以先跟进。