Kyutai presenta CADRE, autoencoder video che riducono il lag d'azione sotto 230 ms
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
La famiglia CADRE permette world model reattivi a 20 fps su una singola H100, spostando il profilo latenza-qualità rispetto a MIRA, Wan e altri.
230 millisecondi di latenza e 20 fotogrammi al secondo su una sola H100: la demo di CADRE, autoencoder video per world model interattivi, gira a 288×512 con batch 1 in bf161.
Il collo di bottiglia sta nel tempo tra azione e risposta. Molti sistemi riuniscono più frame in un unico latente, così l’azione aspetta che il blocco si completi. CADRE evita l’accorpamento, sposta la generazione nel suo spazio latente e mantiene la sequenza causale. Non riusa componenti da modelli text‑to‑video, punta a ridurre l’inerzia in ingresso e in uscita1.
La famiglia conta sette modelli. Ogni autoencoder ha circa 476 milioni di parametri. In pipeline entra anche un DINOv3 ViT‑B/16 congelato da 86 milioni di parametri. Il world model collegato arriva a 1,2 miliardi di parametri1.
Nei confronti pubblicati, CADRE copre gran parte del fronte latenza‑qualità. Risulta altrettanto veloce e migliore in 42 casi su 48 contro MIRA, Wan 2.2, Cosmos e LTX‑2. Nel test di punta, la configurazione CADRE‑2×16×16 con 1 step ottiene un FVD di 162,6, mentre Wan 2.2 registra 599,7. In questa metrica, più basso è migliore. Non tutti i compiti vanno nello stesso verso: in manipolazione robotica, CADRE‑2×32×32 tocca un ARR di 0,45, Wan 2.2 arriva a 0,85, qui valori più alti indicano prestazioni migliori1.
I numeri operativi citati si riferiscono alla demo e ai benchmark mostrati: 20 fps su H100 con latenza sotto 230 millisecondi, risoluzione 288×512 e batch 1 in bf16. La documentazione non elenca varianti quantizzate. I confronti includono MIRA, Wan 2.2, Cosmos e LTX‑2, come indicato nella stessa analisi1.
Il punto tecnico è la rappresentazione causale: generare nel latente del codec, non comprimere blocchi di frame, accorcia il ciclo percezione‑azione. Se l’approccio tiene fuori dai benchmark, apre spazio a world model reattivi e prevedibili su una singola GPU1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,3/10 dopo 2 revisioni.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.