WorldAttention propose une architecture d’attention efficace pour les modèles de monde vidéo interactifs
1 sourcemis à jour 30 sept.pertinence 2,0 sur5
L’essentiel
Elle associe une attention éparse hybride à un cache KV hiérarchique. Selon les auteurs, elle surpasse l’état de l’art, avec des scores de cohérence du sujet de 0,9472 sur VBench-Long et de 0,9668 sur InterVBench.
Propagation1 article, publié par HF Daily Papers le 30 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZeyu Zhang, Jinyuan Mao, Dakai An et al.huggingface.co
WorldAttention: An Efficient Attention Architecture for Interactive Video World Models (site externe)
Leveraging the paradigm of autoregressive diffusion, text-conditioned interactive video world models aim to simulate temporally coherent environments guided by textual instructions.
Sur les mêmes thèmes
Infra
Ai2 publie Olmo-core 3, son framework d’entraînement ouvert pour de grands modèles à mélange d’experts
Infra
SlimWise élague les experts uniquement au décodage pour servir plus efficacement les modèles MoE
Recherche
RayOrch, un moteur distribué, préserve les liens parent-enfant dans la préparation de données d’IA
Infra
TRACE propose un entraînement FP4 par RL pour les modèles MoE, guidé par les rollouts
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5