鏡頭由使用者操控時，畫面不必每隔幾秒重新開始；Evoke 會保留場景幾何，按鏡頭位置取回需要的資訊，讓探索可以延續更長時間。它屬於開源的自回歸世界模型，實際處理的是互動影片生成中的空間記憶、持續生成與中途改變指令三個問題。
模型採用 14B 參數、三步採樣及 classifier-free guidance（CFG）免費的生成流程，在單張 H200 上以 2.11 秒生成 1.5 秒、384×640 影片。外部 camera-indexed world state bank 將世界狀態與 denoiser 分開保存，配合按需檢索令每一步的上下文維持有界；代價是推理需要依賴鏡頭姿態與狀態管理，並非單純輸入文字便可獨立生成長片。
Evoke 以 per-chunk conditioning 支援生成途中重新提示，例如在原有場景加入風暴、物件或事件，而不需要剪接或重啟。訓練端亦為長時段 self-forced supervision 重建 teacher，加入 chunk-wise grouping、distant-frame retrieval 和 linear-attention global state，讓記憶及計算量按長度線性增加；README 同時提醒，訓練與推理必須使用一致的 warp / attention 配方，否則可能出現不易察覺的失配。
WBench 上，Evoke 以三步世界模型取得目前最佳成績，並在 VBench-Long 及 VBench-2.0 維持競爭力，但項目資料未提供完整硬件需求、互動控制介面或不同 GPU 的速度比較。研究團隊、遊戲原型製作者及需要長時間可操控影片的開發者，可從 Hugging Face 權重、GitHub launcher 和 examples 開始測試；使用前應先確認 H200 級硬件、模型下載容量，以及本地環境是否符合程式依賴。
• 三步、CFG-free，單張 H200 每 2.11 秒生成 1.5 秒影片
• 以 camera-indexed world state bank 保存跨片段場景記憶
• 生成途中可重新提示，改變接下來的事件或環境
• WBench 領先，VBench-Long 與 VBench-2.0 保持競爭力
• 開源權重與程式可供研究及互動影片原型測試