/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
12 авг 2026

Evoke

Генерация видеоТекст → видео3 профессии

Интерактивная модель мира AlayaLab для генерации связного видео с изменяемой текстовой подсказкой во время длительного роллаута.

46скачиваний за 30 дней27лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Alaya-EVOKE — набор весов интерактивной модели мира для генерации видео, опубликованный AlayaLab. Модель создаёт видео 384 × 640 с частотой 24 кадра в секунду и, по описанию авторов, сохраняет связность сцен в роллаутах длительностью до 30 секунд. Генерация выполняется за три шага без classifier-free guidance; состояние мира хранится отдельно, а подсказку можно менять во время генерации без перезапуска.

Репозиторий содержит только веса; для работы требуются код из GitHub и бэкенд глубины ViGeo. Дистиллированные варианты обучались только на video-to-video conditioning, поэтому режимы text-to-video и image-to-video для них являются zero-shot; stage1_camera_control обучался во всех трёх режимах. VAE, текстовый энкодер, токенизатор и scheduler в evoke-base происходят от Helios, который основан на Wan; учитель EVOKE построен на LingBot-World. Лицензия — Apache-2.0.

Сценарии применения

  • генерация видео по текстовой подсказке
  • создание интерактивных видеосцен с изменением подсказки на ходу
  • генерация продолжительных связных роллаутов видео
  • создание видеоконтента с управлением камерой

Ограничения

Для запуска нужны отдельный код из GitHub и бэкенд глубины ViGeo. Для дистиллированных вариантов режимы text-to-video и image-to-video являются zero-shot и не соответствуют их обучающей конфигурации.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model weights for EVOKE (paper), a 3-step, CFG-free interactive world model that generates 384 × 640 @ 24 fps video and stays coherent over 30 s rollouts. Code, docs and demos live in the GitHub repository — this repository holds weights only.

  • ⚡ 3 steps, zero CFG — 1.5 s of video every 2.11 s on one H200, one forward per step.
  • 🌍 Endless, not windowed — scene geometry lives in an external camera-indexed world state bank, so the denoiser context stays bounded however long the session runs.
  • 🎛️ Re-promptable mid-flight — change the prompt while the rollout is running, no cut, no restart.

Contents

Every EVOKE directory is the parent of a transformer/, because it loads as from_pretrained(path, subfolder="transformer").

evoke-base/                                   vae / text_encoder / tokenizer / scheduler only
evoke/
├── stage1_camera_control/transformer/        multi-step camera-controllable model
├── stage2_few_step_training/transformer/     few-step distillation (3-step pyramid)
├── stage3_long_distillation/transformer/     30 s long-video distillation (post-distill init)
├── stage3_post_distillation/transformer/     the shipped model
└── evoke_teacher/{high,low}_noise/           the two DMD teacher experts -- training only

Usage

git clone https://github.com/AlayaLab/Evoke && cd Evoke
pip install -r requirements.txt

hf download AlayaLab/Evoke        --local-dir models
hf download pkqbajng/ViGeo        --local-dir models/ViGeo1.1   # REQUIRED depth backend

MODE=t2v NUM_CHUNKS=20 bash scripts/inference/infer_post_distill.sh

ViGeo is a separate download and is required — every shipped recipe uses it as the depth backend behind the world state bank. Depth-Anything-3 is optional. Both ship under CC-BY-NC-4.0, which is more restrictive than this repository's Apache-2.0; check their licences before any commercial use.

Inference modes, the mode × model matrix, hour-scale rollouts and training are documented in the GitHub repository.

Notes

The distilled models were trained on v2v conditioning alone, so MODE=i2v|t2v on them is zero-shot; only stage1_camera_control has all three modes in distribution.

The vae / text encoder / tokenizer / scheduler in evoke-base/ come from the released Helios base, which traces them to Wan. The EVOKE teacher is built on LingBot-World.

Citation

@article{evoke2026,
  title   = {Alaya-EVOKE: From Linear-Scaling Supervision to Endless World},
  author  = {Yin, Yuanyang and Wang, Gongxuan and Zhan, Yifan and
             Li, Chuanhao and Zhang, Kaipeng and Zhao, Feng},
  journal = {arXiv preprint arXiv:2608.13546},
  year    = {2026},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет model_index.json: DiffusionPipeline его не соберёт.

Ревизия весов
7fa34ec

0 моделей