具身开发者社区

外观

新闻MarkTechPost（RSS）（via AIHOT）4 天前

Kyutai开源CADRE视频自编码器：世界模型动作延迟降至230ms内 ​

Kyutai发布开源因果扩散表征自编码器CADRE，专为动作条件化交互世界模型设计。1.2B参数模型在单张H100上实现20fps推理，动作响应延迟低于230ms，在驾驶与导航场景FVD指标显著优于Wan 2.2等主流方案，但机械臂操作精度仍有差距。

AI 整理
  • 仿真与训练
  • 具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：Kyutai CADRE: Video Autoencoders That Cut World Model Lag Below 230 ms（MarkTechPost（RSS）（via AIHOT））

核心内容 ​

Kyutai正式开源面向具身智能交互世界模型的CADRE视频自编码器系列，旨在解决传统文本生成视频模型因高时间压缩导致的动作滞后问题。该方案包含7个约476M参数的自编码器变体及冻结的86M DINOv3 ViT-B/16特征提取器，配合1.2B参数因果扩散Transformer世界模型，在单张H100（bf16）上以288×512分辨率稳定运行于20fps。实测CADRE-2×32×32变体动作延迟仅185ms，较Wan 2.2（317ms）和Cosmos（605ms）大幅降低，突破了人类感知230ms的交互延迟阈值。

技术上，CADRE采用因果扩散解码器替代感知回归，通过渐进式自蒸馏实现1-2步快速解码，训练数据涵盖7.6万小时多源视频。评测显示其在驾驶场景FVD达162.6（Wan 2.2为599.7），但在机器人操作任务中ARR仅为0.45（Wan 2.2为0.85），且高空间压缩会恶化运动质量。代码采用MIT协议，权重遵循CC BY-NC 4.0许可，暂不支持商业用途，目前已在Hugging Face开放下载。

关键看点 ​

  • 低延迟架构：CADRE-2×32×32变体在单卡H100上实现185ms动作延迟与23.4fps帧率，满足实时具身交互需求
  • 驾驶场景领先：CADRE-2×16×16在驾驶数据集FVD达162.6，显著优于Wan 2.2的599.7与LTX-2的913.3
  • 操作精度短板：机器人操作ARR指标仅0.45，低于Wan 2.2的0.85，表明高压缩率牺牲了精细动作跟随能力
  • 开源许可限制：代码MIT开源但权重仅限非商用（CC BY-NC 4.0），提供7种压缩配置适配不同算力与场景

工程与产业观察 ​

CADRE验证了因果扩散自编码器在平衡世界模型推理延迟与生成质量上的工程可行性，185ms延迟为具身策略在线学习提供了可用基线。但其在机械臂操作任务的ARR劣势提示，通用视频表征难以直接迁移至精密操控，未来需针对机器人本体数据微调或设计动作感知tokenization策略。非商用权重限制了产业落地，但开源代码仍为低延迟世界模型研发提供了关键参考架构。

线索来源：AIHOT

来源

本页事实对应的公开页面，以原文为准。

  1. MarkTechPost（RSS）（via AIHOT）：Kyutai CADRE: Video Autoencoders That Cut World Model Lag Below 230 ms访问 2026-10-25