Alaya-EVOKE 发布线性扩展的长交互世界生成方法

arXiv 上发布了 Alaya-EVOKE 的研究论文，作者在其中解决了生成长交互式世界的问题。他们将场景状态提取到外部存储库中，按相机进行索引，并针对 long-horizon supervision 重新构建教师模型：通过按块分组进行稀疏注意力、采样远距离帧以及线性全局状态。这使得随着会话长度的增加，内存和计算量呈线性增长。作者未公开代码。更多详情 — 见论文页面。

这意味着什么

该研究属于交互式世界生成领域，而非根据图像生成 3D 模型。它与我们指南中的工具没有直接交集：OpenLRM、Hunyuan3D（混元3D）2.1 和 TRELLIS 解决的是 image-to-3d 任务——根据单张图像创建静态模型，不涉及会话、世界记忆或场景的交互式延续。 然而，该方法触及了生成式 3D 系统的一个共性问题：在生成范围扩大时保持上下文。我们工具的参数表中没有此类机制——它们都没有描述场景状态的外部存储或 long-horizon supervision。OpenLRM 和 TRELLIS 的上下文仅限于单个输入图像，Hunyuan3D（混元3D）2.1 则限于图像和文本描述。 目前这只是一项没有代码的研究工作，对我们工具的用户来说没有任何变化。如果该方法获得开源实现，它可能会影响未来的世界和视频生成器，但不会影响当前的 image-to-3d 流程。