Kyutai 发布 CADRE 视频自编码器，将世界模型动作延迟降至 230 毫秒以下

Techub News 消息，法国 AI 研究实验室 Kyutai 发布了 CADRE，这是一系列用于交互式世界模型的开放式因果扩散表示自编码器。CADRE 旨在解决动作延迟问题，其世界模型在单张 H100 GPU 上能以 20 fps 运行，反应时间低于 230 毫秒。该模型包含 7 个自编码器，每个约 4.76 亿训练参数，并利用了一个冻结的 8600 万参数 DINOv3 ViT-B/16 模型，世界模型总参数量为 12 亿。 CADRE 在 48 项与 MIRA、Wan 2.2、Cosmos 和 LTX-2 的对比中，有 42 项表现更优。在驾驶场景的 FVD 指标上，CADRE-2×16×16（单步解码）达到 162.6，远优于 Wan 2.2 的 599.7。模型在 23 个公共视频源、总计约 7.6 万小时的混合数据集上进行训练，涵盖网络视频、机器人、驾驶和游戏画面。（MarkTechPost）