Evoke

Evoke (i artikeln Alaya-EVOKE) är en världsmodell, alltså en modell som skapar en video av en värld i realtid medan man rör sig i den. Man styr kameran som i ett spel, och världen fortsätter att byggas ut i den riktning man går. Modellen har 14 miljarder parametrar och skapar varje bit video i bara tre steg, utan den extra beräkning som brukar behövas för att följa prompten (CFG).

Det som skiljer Evoke från många liknande modeller är att den är byggd för långa sessioner. Världens tillstånd sparas utanför själva bildgeneratorn och hämtas utifrån kamerans position, så att platser man redan besökt ser likadana ut när man kommer tillbaka. Beräkningen per steg är begränsad, så minnet växer inte okontrollerat, och enligt forskarna kan en session pågå i timmar. En lärarmodell för långa interaktiva förlopp har lärt den snabba modellen att hålla ihop över tid.

Man kan också ändra världen medan den skapas, genom nya instruktioner som "dimma sveper över motorvägen" eller "en drake flyger förbi månen", utan att börja om.

Evoke kommer från Alaya Lab tillsammans med Shanghai Innovation Institute och University of Science and Technology of China. Vikter och kod är öppna under Apache 2.0. Sedan första släppet har gruppen lagt till ett webbgränssnitt för att styra världen bit för bit (30 augusti), en förbättrad version, Evoke-Turbo (11 september), som enligt gruppen når bäst resultat på testet WBench, och ett interaktivt gränssnitt som skapar 1,5 sekunder video på i snitt 1,34 sekunder med fem H200-grafikkort i 640 × 384 pixlar (12 september).