Kyutai opracował CADRE, rodzinę autoencoderówyów wideo zaprojektowanych specjalnie dla modeli świata sterowanych akcjami, które rozwiązują krytyczny problem opóźnienia akcji. Zamiast kompresować wiele klatek w jedną reprezentację latentną jak inne autoencodery pochodzące z generatorów tekst-wideo, CADRE zmniejsza to opóźnienie poprzez niższą kompresję czasową, umożliwiając reagowanie poniżej 230 ms - progu, poza którym ludzie zauważają opóźnienie własnego ruchu.
System CADRE jest stosunkowo kompaktowy dla swoich możliwości: siedem autoencoderówyów o łącznie 476M parametrów każdy, zamrożony model DINOv3 ViT-B/16 o 86M parametrach, oraz model świata 1,2B parametrów. Działa na pojedynczym H100 z 20 klatkami na sekundę przy rozdzielczości 288x512, pracując w precyzji bf16 z batch size 1. W pomiarach porównawczych CADRE wykazuje się zdecydowaną przewagą - jest szybszy i dokładniejszy w 42 z 48 testów względem konkurencji (Mira, Wan 2.2, Cosmos, LTX-2), osiągając na przykład FVD 162,6 w testach jazdy samochodem wobec 599,7 dla Wan 2.2.
Otwarcie CADRE przez Kyutai ma znaczenie dla całej branży - model pokazuje, że można budować responsywne systemy interaktywne bez konieczności znacznie większych zasobów obliczeniowych. Architektura autoencodera bezpośrednio wpływa na latencję i koszt generowania klatek, więc to rozwiązanie otwiera nowe możliwości dla aplikacji wymagających rzeczywistego interaktywnego wsparcia od modeli świata.