به گزارش MarkTechPost، Kyutai مجموعه‌ای شامل هفت خودرمزگذار ویدیویی با نام CADRE منتشر کرده که برای مدل‌های جهان‌سازی تعاملی طراحی شده‌اند. در این گزارش آمده است مدل‌های جهان‌سازی ساخته‌شده با CADRE روی یک پردازنده گرافیکی Nvidia H100 با سرعت 20 فریم‌برثانیه اجرا می‌شوند و در کمتر از 230 میلی‌ثانیه واکنش نشان می‌دهند.
خودرمزگذار ویدیویی مدلی است که ویدیو را به شکلی فشرده‌تر رمزگذاری و سپس بازسازی می‌کند. مدل جهان‌سازی با استفاده از بازنمایی یک محیط، رویدادهای آن را تولید یا پیش‌بینی می‌کند. در کاربردهای تعاملی، تأخیر کمتر می‌تواند به سیستم کمک کند سریع‌تر به کنش‌های کاربر پاسخ دهد. منبع نمونه‌ای از کاربردهای مشخص ارائه نمی‌کند.
آنچه گزارش روشن نمی‌کند
این ارقام بدون ذکر نام معیارهای سنجش، شرایط آزمایش، وضوح ویدیو یا مقایسه با سامانه‌های دیگر گزارش شده‌اند. MarkTechPost نمی‌گوید سرعت و زمان پاسخ‌گویی به‌طور مستقل آزمایش شده‌اند یا این ارقام درباره هر هفت مدل CADRE صدق می‌کنند. بنابراین باید آن‌ها را عملکردی گزارش‌شده دانست، نه مقایسه‌ای فراگیر.
منبع CADRE را متن‌باز می‌خواند، اما مجوز، پیوند دانلود یا دستورالعمل دسترسی ارائه نمی‌کند. همچنین توضیح نمی‌دهد که در پیکربندی یک H100 از سخت‌افزار دیگری هم استفاده شده است یا ویدیوی تولیدشده چه کیفیتی دارد. این جزئیات برای کسانی مهم است که می‌خواهند بدانند آیا می‌توانند نتیجه را بازتولید کنند یا از مدل‌ها در پروژه‌ای استفاده کنند.
چرا مهم است
برای پژوهشگران و توسعه‌دهندگانی که روی مدل‌های جهان‌سازی تعاملی کار می‌کنند، سرعت گزارش‌شده می‌تواند CADRE را به گزینه‌ای قابل بررسی برای کاهش تأخیر با یک H100 تبدیل کند. منبع نتایج آزمایش مستقل، جزئیات دسترسی یا اطلاعات کافی درباره پیکربندی ارائه نمی‌کند تا مشخص شود آیا می‌توان این عملکرد را بازتولید کرد.
