Los autoencoders CADRE de Kyutai reducen la latencia de los modelos de mundo a menos de 230 ms, lo que permite simulaciones interactivas más rápidas y responsivas en una sola GPU H100.
Resumen generado con IA. Consulta el original para comprobar el contexto y la precisión.
Extracto de la fuente
Este es el extracto disponible del feed. Puede estar abreviado o en el idioma original.
Kyutai has released CADRE, open causal diffusion representation autoencoders for interactive world models. The Kyutai CADRE video autoencoder targets one problem: action lag. Many world models borrow autoencoders from text-to-video generators. Those autoencoders pack many frames into one latent, so every action waits. Per the research paper, CADRE world models run at 20 fps on 1 H100 and react within 230 ms. TL;DR Size: 7 autoencoders, each about 476M trained parameters plus a frozen 86M DINOv3 ViT-B/16. The world model is 1.2B parameters. Video runs at 288×512, 20 fps. Runs on: 1 H100 (bf16, batch 1). Quantized variants: Not disclosed. Performance: CADRE forms most of the latency-quality frontier. It is as fast and better in 42 of 48 comparisons with MIRA, Wan 2.2, Cosmos and LTX-2. Best: Driving FVD of 162.6 (CADRE-2×16×16, 1 step) against 599.7 for Wan 2.2. Worst: Robot manipulation action following (ARR) of 0.45 for CADRE-2×32×32, against 0.85 for Wan 2.2. What is CADRE? CADRE is a family of video autoencoders from Kyutai built for action-conditioned world models. A world model generates in the autoencoder’s latent space. So the autoencoder’s compression sets both cost per frame and action delay. Compression is written τ×s×s. τ is frames per latent, and s is the spatial factor. The research gives the latency as τ/f plus generation and decode time. At τ = 8 and 20 fps, the chunk alone adds 400 ms. Humans notice their own movement lagging beyond about 230 ms. How does CADRE work? The encoder reuses the MIRA recipe. A frozen DINOv3 extracts per-patch features from each frame. One trained 3D convolution then compresses them into a 64-channel latent. Only this bottleneck changes between the 7 members. The decoder is a causal diffusion transformer with 24 blocks. It streams chunk by chunk. Progressive self-distillation teaches it to decode in 1 or 2 steps. This happens in a single training stage, without an adversarial loss. The autoencoders train on 23 p
Sobre la prioridad
Una ayuda automática para ordenar, basada en fuentes, palabras clave y entidades, en una escala de 1–12. Alta: 9–12; media: 6–8; baja: 1–5. No mide urgencia, verifica noticias ni representa respaldo editorial.
Kimi K3.1 Pro de Moonshot AI ofrece un contexto masivo de 1M de tokens y un rendimiento competitivo a menores costos, desafiando a los principales modelos propietarios mientras promete pesos abiertos a finales de 2026.
La conferencia de Martha Minow en el MIT destaca cómo la IA amenaza los cimientos de la democracia, al tiempo que ofrece herramientas potenciales para reforzar la gobernanza de EE. UU., instando a la acción para sostener el constitucionalismo.
El simposio de SHASS del MIT destacó la importancia perdurable de la comprensión humana y las contribuciones de la escuela, en un momento en que la inteligencia artificial transforma cada vez más la educación, la investigación y la sociedad.