Evoke 开源：140 亿参数交互式世界模型，单图加摇杆实时生成可控场景

Evoke 是一个能把单张静态图片变成实时可操控交互世界的开源 AI 视频模型。你只要给它一张初始画面，再连上摇杆，就能像玩游戏一样在画面里开雪地摩托、划皮艇甚至潜水，模型会在几秒内根据操作即时渲染后续视频。

它能做什么

核心用法很简单：一张图片起手，摇杆控制视角和移动。输入指令后，模型几乎实时吐出对应的连续画面。

在生成过程中，你还能随时给它发文字指令改写场景。比如开着车突然输入「在场景里加气球」或「天空中出现极光」，甚至让远处的火山爆发，画面不会中断，直接在当前运镜里平滑过渡。

它不仅支持写实画风和各种艺术风格，对复杂物理场景的理解也很扎实。除了拿来做交互式探索，这个能力最大的用途之一是为具身智能生成合成训练数据，比如医院护理、水下探索或极端灾难救援等现实中很难采集的机器人移动视频。

怎么做到的与硬件门槛

能在保持可控的同时接近实时，关键在于它把扩散模型的推理压缩到了仅需 3 个步骤，而且去掉了分类器自由引导（CFG），每一步只需一次前向计算。

普通视频模型跑几分钟就会显存爆炸，而 Evoke 支持持续数小时的交互会话。它把场景几何信息存放在一个以相机位姿索引的外部点云状态库中，渲染当前视野时只按需检索必要数据，保证上下文窗口大小恒定。

在基准测试 WBench 上，它拿下了状态评估的第一名，在长视频评测 VBench-Long 和 VBench-2.0 上也保持了很高的视觉质量。在单张英伟达 H200 上，它每 2.11 秒就能生成 1.5 秒的 384×640 视频；在五张 H200 并行下，生成耗时可以压到 1.34 秒。

Evoke 的参数量为 140 亿（14B），最终模型权重约 57GB。代码和全阶段训练权重均已在 GitHub（AlayaLab/Evoke）按 Apache 2.0 协议开源，运行需要 Python 3.10、CUDA 12.4 以及 DeepSpeed 和 Flash-Attention 环境。

为什么重要

以往像 Google Genie 3 这样的交互式世界模型大多停留在闭源演示阶段，Evoke 第一次把这种能力完整扔进了开源社区，而且连全套训练检查点都公开了。

对普通开发者和个人玩家来说，57GB 的显存开销意味着本地门槛极高，非企业级卡很难跑顺。但对于机器人研发和具身智能团队来说，它现在就是一个现成可用的长时物理环境生成器，非常值得马上拉到服务器上跑跑看。