Kyutai recorta la espera en los mundos generados por IA

La respuesta empieza en la compresión

Kyutai presenta CADRE en una nota fechada el 22 de octubre de 2026. Su propuesta aborda una decisión que ocurre antes de ver el resultado en pantalla: cómo comprimir el vídeo sobre el que trabaja el modelo. En lugar de generar directamente todos los píxeles, el sistema genera una representación compacta que después se convierte de nuevo en imágenes.

Según Kyutai, muchos modelos del mundo utilizan autoencoders procedentes de generadores que producen secuencias completas sin interacción. Esa herencia condiciona cuánto tarda en verse una acción. El trabajo estudia cómo cambiar la compresión para que los entornos de manipulación y navegación puedan responder con rapidez mientras generan vídeo en tiempo real.

Un vídeo fluido también puede llegar tarde

Kyutai sostiene que la compresión temporal introduce una espera concreta: antes de generar un grupo de fotogramas, el modelo necesita las acciones correspondientes a todos ellos. En un generador de secuencias completas esa dependencia encaja con su funcionamiento. En un entorno interactivo, cada fotograma añadido al grupo aumenta el retraso que percibe quien lo controla.

Según Kyutai, comprimir el espacio reduce el trabajo necesario para cada imagen, mientras que comprimir el tiempo permite generar varias juntas. La elección afecta a la respuesta y a la calidad. Por eso, valorar el sistema solo por cuántos fotogramas produce deja fuera una parte esencial de la experiencia.

Cómo se pone a prueba la respuesta

Kyutai afirma que entrenó siete autoencoders y el mismo modelo del mundo sobre cada uno. Las pruebas abarcan manipulación con manos humanas y robots, además de navegación en coche e interiores. Ese diseño permite estudiar distintas compresiones en escenas donde cambian tanto el movimiento de los objetos como el de la cámara.

Según Kyutai, la evaluación parte de un fragmento de vídeo real y genera su continuación utilizando únicamente las acciones registradas. Después mide calidad de imagen, calidad de movimiento y seguimiento de acciones. Este último criterio comprueba hasta qué punto otro modelo puede recuperar las acciones a partir del vídeo generado, comparándolo con el vídeo real.

Kyutai afirma que los modelos basados en CADRE reaccionan en menos de 230 milisegundos a 20 fotogramas por segundo. La latencia y el ritmo de generación se midieron con una H100. Son resultados ligados a ese equipo y a esas pruebas; la cifra de fluidez no sustituye a la medida de espera.

La cámara cambia la receta

Kyutai sostiene que no hay una compresión óptima para todas las escenas. Con una cámara quieta, comprimir el tiempo tiene poco coste; con una cámara en movimiento, resulta más favorable conservar los fotogramas y comprimir el espacio. Manipular objetos y desplazarse por un entorno requieren, por tanto, decisiones diferentes.

Según Kyutai, una compresión espacial más gruesa con cámara fija apenas altera la calidad de imagen, pero perjudica el movimiento. En manipulación robótica también empeora el seguimiento de las acciones. Una imagen que mantiene su aspecto puede ocultar pérdidas relevantes en lo que sucede entre fotogramas.

Qué se abre y qué queda por demostrar

Kyutai presenta el artículo científico, el código, los pesos de los autoencoders y de los modelos del mundo, además de una demostración interactiva. La publicación ofrece así los componentes del estudio y una forma de experimentar con la respuesta a las acciones.

Según Kyutai, todavía queda por explorar cómo utilizar estos modelos para entrenar agentes, planificar los resultados de acciones y evaluar políticas de robots. También queda trabajo para comprender mejor su manejo de la física y trasladar los hallazgos a cámaras montadas en robots en movimiento. Los resultados de generación descritos no equivalen a demostrar esas aplicaciones.