把世界模型延迟压到230毫秒以下：Kyutai CADRE如何改写交互智能的实时性门槛
当延迟成为世界模型的天花板
世界模型被视为通往通用智能的一条潜在路径：它能在压缩的隐空间中模拟环境演化，从而支持规划、推理与决策。但长期以来，一个被忽视的瓶颈卡在交互体验的最前端——延迟。
大多数世界模型直接借用了文生视频生成器的自编码器。这类编码器的设计目标是极致压缩，倾向于将大量帧打包进单一隐变量。代价是系统必须凑齐一整块数据才能启动生成，每一个动作指令都要在队列里空等。当人类操作者目睹画面滞后于自己的意图超过230毫秒，违和感会立刻浮现，闭环的实时性就此崩塌。
Kyutai最新发布的CADRE（Causal Diffusion Representation Autoencoders）正是对准这一刀口。它不是又一个追求视觉奇观的视频压缩工具，而是为动作条件世界模型专门设计的实时隐空间接口。
τ×s×s：被重新定义的压缩语法
理解CADRE的关键在于一个三元组：τ×s×s。其中τ代表单个隐变量所对应的帧数，s是空间压缩因子。延迟的基本构成里，τ/f（帧数除以帧率）是纯粹的物理等待，随后才是生成与解码时间。当τ=8、帧率20fps时，仅数据分块就凭空引入400毫秒延迟——这还没开始计算模型推理。
CADRE家族提供7种配置，每种约4.76亿训练参数，搭配一个冻结的8600万参数DINOv3视觉编码器（ViT-B/16），下游世界模型本身为12亿参数。视频规格锁定288×512分辨率、20帧/秒，在单张H100上以bf16、批大小1运行。
架构上，编码器沿用了MIRA的技术路线：由冻结的DINOv3逐帧提取图像块特征，再经一个可训练的三维卷积压缩为64通道隐空间。七种配置之间唯一的变化就发生在这个瓶颈层。解码器则是一个包含24个块的因果扩散Transformer，支持分块流式输出。通过渐进自蒸馏，模型被训练为仅需1到2步即可完成解码，而且整个过程在单一训练阶段内完成，无需对抗性损失的介入。
训练数据来自23个公开视频源，累计约7.6万小时，覆盖网页视频、机器人操作、自动驾驶与游戏画面。这种混合构成暗示了设计者的意图：一个通用世界模型必须同时处理自然运动、人为交互与物理控制信号。
延迟-质量前沿的实测成绩单
为了公平比较，Kyutai在每一个自编码器上训练了完全相同的12亿参数因果扩散Transformer，并在四个环境中测试：机器人操作（ABC）、人类操作（EgoDex）、驾驶（PhysicalAI AV）与室内导航（RealEstate10K）。每个模型先观看2秒真实视频，随后生成4.8秒内容。评估维度涵盖图像质量（FID）、运动质量（FVD）与动作跟随（ARR），其中ARR通过冻结的逆动力学探针测量，1.0代表与真实视频一致的动作保真度。
在单H100上，CADRE-2×32×32以1步解码实现了185毫秒响应与23.4帧/秒的持续输出。作为对照，Wan 2.2自编码器需要317毫秒，LTX-2为492毫秒，Cosmos高达605毫秒。DC-AE虽然账面延迟更低（118毫秒），但采用逐帧处理模式，在长序列一致性上面临不同挑战。
差距在运动相机场景中被进一步放大。驾驶环境下，Wan 2.2的FVD为599.7，LTX-2达到913.3，而CADRE-2×16×16在1步解码下将这一数字压到162.6。室内导航场景中，LTX-2的动作跟随指标ARR甚至跌至0.04，意味着生成的画面几乎无法响应真实动作指令。
在全部48项对比中，CADRE在42项上同时做到更快与更优。不过短板同样存在：在机器人操作的动作跟随任务中，CADRE-2×32×32的ARR为0.45，而Wan 2.2达到0.85。这提示我们，更低的延迟并不自动等同于更强的物理控制精度，高空间压缩因子可能牺牲了精细动作的隐空间表达。
从'看视频'到'在场交互'的范式位移
CADRE的真正价值不在某个具体指标，而在于它重新校准了世界模型的设计优先级。过去几年，隐空间压缩的主要KPI是重建质量与压缩比，仿佛世界模型只是一个更紧凑的视频编解码器。CADRE把τ从延迟的角度重新审视：压缩率每提高一倍，系统就多等一倍的帧数，实时交互的幻觉随即破灭。
因果扩散解码器的引入同样关键。传统自编码器往往以块为单位非因果地处理序列，未来帧的信息可以'偷跑'回过去，这在生成任务中无伤大雅，但在闭环控制中却意味着逻辑上的时间倒置。因果结构保证了每一帧的生成只依赖过去与现在，这是在线决策的物理前提。
渐进自蒸馏则让多步扩散在单步或两步内完成，把扩散模型的生成质量与实时性这对矛盾体拉到了一起。没有对抗训练也值得玩味——GAN结构虽然能提升锐度，但训练不稳定且容易引入高频伪影，对于需要长期滚动的世界模型而言，稳定性远比瞬时的视觉锐利更重要。
实时世界模型的基础设施前夜
CADRE的出现标志着一类新基础设施的萌芽：专为交互而生的隐空间编解码。当延迟被压到230毫秒以下，世界模型就不再是离线预演工具，而是可以嵌入机器人控制器、自动驾驶规划器与实时游戏引擎的在线模拟器。
当然，挑战远未终结。量化变体尚未公开，边缘部署路径仍不清晰；机器人控制场景的动作跟随短板说明，低τ未必总是最优解，不同任务需要不同的τ-s组合。未来的竞争很可能围绕'自适应压缩'展开——模型根据当前任务的实时性要求与动作精度需求，动态调整隐空间粒度。
另一个值得留意的方向是多模态对齐。CADRE目前以视频为核心，但真实交互世界同时包含声音、触觉与语言指令。如果隐空间能够统一编码这些通道，且保持因果性与低延迟，那才是通用世界模型真正可用的时刻。
从更长周期看，CADRE这类工作正在把世界模型从'能看'推向'能反应'。当延迟不再是借口，智能体与环境的对话才真正开始。