据MarkTechPost 10月23日报道，Kyutai发布名为CADRE的开放因果扩散表示自编码器，面向交互式世界模型，目标是把动作延迟压到230毫秒以内。
CADRE包含7个视频自编码器，每个约有4.76亿训练参数，并搭配一个冻结的8600万参数DINOv3 ViT-B/16；配套世界模型为12亿参数，视频规格为288×512、20帧每秒，可在单张H100上以bf16、批大小为1运行。编码器沿用MIRA方案：冻结的DINOv3逐帧提取图块特征，再由一个训练过的三维卷积压成64通道潜变量，7个成员之间只改变这一瓶颈。解码器是24块因果扩散Transformer，按块流式解码，通过渐进自蒸馏在单阶段训练中学会1至2步解码，不使用对抗损失。训练数据来自23个公开视频源、约7.6万小时，覆盖网页、机器人、驾驶和游戏视频。权重采用CC BY-NC 4.0与DINOv3许可证，量化变体未披露。
CADRE把压缩写成τ×s×s，τ是每个潜变量包含的帧数，s是空间因子。论文给出的延迟为τ/f加上生成与解码时间；当τ=8、帧率为20帧每秒时，仅分块就增加400毫秒。论文称，人对自身动作滞后的感知阈值约为230毫秒。
评测中，Kyutai把同一个12亿参数因果扩散Transformer分别训练在每个自编码器上，使用机器人操作（ABC）、人类操作（EgoDex）、驾驶（PhysicalAI AV）和室内导航（RealEstate10K）四个环境；每个模型先看2秒真实视频，再生成4.8秒，指标包括FID、FVD和ARR，ARR由冻结的逆动力学探针计算，1代表与真实视频一致。单张H100上，CADRE-2×32×32在1步解码时响应185毫秒、最高维持23.4帧每秒；Wan 2.2为317毫秒，LTX-2为492毫秒，Cosmos为605毫秒，DC-AE更快，为118毫秒，但逐帧处理。驾驶场景中，CADRE-2×16×16的FVD为162.6，Wan 2.2为599.7，LTX-2为913.3。论文称，CADRE在48项与MIRA、Wan 2.2、Cosmos和LTX-2的对比中，42项做到速度不慢且质量更好。上述数据均为Kyutai自报。
论文列出四点发现：在强压缩下，感知回归会变模糊，而扩散解码可采样出清晰视频；把时间压缩放进世界模型而非自编码器会丢失细节，8帧时ARR从0.72降至0.56；相机运动决定压缩取舍，静止相机可容忍时间压缩，运动相机更适合更少帧数和更粗空间标记；粗标记首先损害运动，机器人操作中32×空间压缩使FVD相对16×扩大2.4倍，FID变化很小。
CADRE并非全面领先：机器人操作中，Cosmos的FVD为39.5，最好的1步CADRE为47.6；CADRE-2×32×32的ARR为0.45，Wan 2.2为0.85；在快速端，DC-AE在操作任务上快于CADRE-1×48×48；Wan 2.2在留出视频重建上的PSNR为35.02 dB，高于CADRE的25.12 dB。Kyutai团队认为重建质量不能预测推演结果，Wan 2.2在室内推演FVD上排名最后；长潜变量还会在分块间留下可见接缝，τ=8时边界超额在各环境中达到1.6至1.8。