HLA-WM combine l’attention linéaire hybride et la récupération pour les modèles de monde vidéo à long horizon
1 sourcemis à jour il y a 1 jpertinence 2,6 sur5
L’essentiel
Sans entraînement supplémentaire, HLA-WM réduit de 12× la mémoire d’état historique par rapport au cache KV complet, pour au plus 1,6 % de débit d’inférence en moins, avec un contexte de 60 secondes.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZhuokun Chen, Feng Chen, Xi Lin et al.huggingface.co
HLA-WM: Hybrid Linear Attention for Long-Horizon Video World Models (site externe)
Long-horizon video world models require persistent memory to preserve scene consistency over extended rollouts.
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