Kyutai представила CADRE — открытый набор причинно-следственных диффузионных автоэнкодеров для интерактивных моделей мира. Согласно исследовательской работе, модель обрабатывает видео с разрешением 288×512 со скоростью 20 кадров в секунду на одном H100 и обеспечивает задержку реакции менее 230 мс.
В набор входят семь автоэнкодеров примерно по 476 млн обученных параметров каждый; дополнительно используется замороженная модель DINOv3 ViT-B/16 на 86 млн параметров. Модель мира содержит 1,2 млрд параметров. Авторы сообщают, что CADRE была быстрее или показала лучшие результаты в 42 из 48 сравнений с MIRA, Wan 2.2, Cosmos и LTX-2.
В тесте на генерацию видео для вождения лучший результат CADRE составил 162,6 по метрике FVD против 599,7 у Wan 2.2. При этом в тесте следования действиям при роботизированных манипуляциях показатель ARR у одной конфигурации CADRE составил 0,45 против 0,85 у Wan 2.2. Результаты демонстрируют компромисс между качеством и точностью выполнения действий в разных задачах.