Kyutai выпустила CADRE — видеоавтоэнкодеры для world-моделей с задержкой ниже 230 мс

Kyutai открыла CADRE — семейство каузальных диффузионных видеоавтоэнкодеров для интерактивных world-моделей. На одной H100 модель работает при 20 fps с реакцией в пределах 230 мс; в 42 из 48 сравнений с MIRA, Wan 2.2, Cosmos и LTX-2 она быстрее и качественнее. Код под MIT, веса на Hugging Face — CC BY-NC 4.0 без коммерческого использования.

• 7 автоэнкодеров по ~476M параметров плюс замороженный DINOv3 ViT-B/16 на 86M
• World-модель на 1,2 млрд параметров, видео 288×512 при 20 fps на одной H100
• Driving FVD 162,6 против 599,7 у Wan 2.2; ARR в робоманипуляции 0,45 против 0,85
• Обучение на 23 источниках видео, около 76 тыс. часов