Fugu-MT 論文翻訳(概要): Velox: Spatial Memory Makes World Models Efficient

論文の概要: Velox: Spatial Memory Makes World Models Efficient

arxiv url: http://arxiv.org/abs/2610.22311v1
Date: Thu, 15 Oct 2026 17:50:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-17 06:09:33.24099
Title: Velox: Spatial Memory Makes World Models Efficient
Title（参考訳）: Velox:空間記憶は世界モデルを効率的にする
Abstract要約: Veloxは、リージョンレベルのコンテキスト選択のためのトレーニング不要アテンションルータである。チャンク48で、ベロックスは注意を4.36タイムズ$に加速し、2.43タイムズ$に減らした。フル158ケースのWBenchナビゲーションスプリットでは、LingBot-Fast-CamのAPIのない平均点0.15に留まっている。
参考スコア（独自算出の注目度）: 54.59114328524447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Video world models turn actions and camera motion into long visual rollouts, making video a natural interface for interactive simulation. Such interaction requires responsive generation, yet coherent rollouts must retain visual memory of what has already been generated. Chunked video diffusion models usually keep this context in growing KV caches, so later chunks become progressively slower. To address this bottleneck, we introduce Velox, a training-free attention router for region-level context selection using frustum slab correspondences from streaming geometry. Velox represents historical blocks as camera frustum slabs with depth intervals and obtains current-block depth through recency-priority multiwarp. For well-covered regions, frustum slab overlap softly modulates each layer's model-derived block importance. Uncovered regions retain the model-derived route without geometric bias. The fixed token-block granularity matches FlashAttention-style tiled execution and reduces the attention term that grows with rollout length. Frustum slab construction runs asynchronously with denoising on the same H200. At chunk 48, Velox accelerates attention by $4.36\times$ and denoising by $2.43\times$. On the full 158-case WBench navigation split, it remains within 0.15 API-free average points of dense LingBot-Fast-Cam. Please see our project page at https://velox-world.com/velox/ for more details.
Abstract（参考訳）: ビデオワールドモデルはアクションやカメラの動きを長い視覚的なロールアウトに変え、動画をインタラクティブなシミュレーションの自然なインターフェースにする。このような相互作用は応答性のある生成を必要とするが、コヒーレントなロールアウトは、すでに生成されたものの視覚記憶を保持する必要がある。チャンクされたビデオ拡散モデルは通常、このコンテキストをKVキャッシュの成長に保ちます。このボトルネックに対処するために,ストリーミング幾何学からのフラストラムスラブ対応を用いた領域レベルのコンテキスト選択のためのトレーニング不要アテンションルータであるVeloxを紹介した。 Veloxは、深さ間隔のカメラフラストタルスラブとして歴史的ブロックを表現し、電流優先マルチワープにより電流ブロック深さを得る。良好な被覆領域では、フラスタムスラブオーバーラップは各層のモデル由来のブロックの重要性をソフトに調節する。発見されている領域は、幾何学的バイアスなしでモデル由来の経路を保持します。固定トークンブロックの粒度は、FlashAttentionスタイルのタイル付き実行と一致し、ロールアウトの長さで成長する注目項を減らす。 Frustum slab 構造は非同期に動作し、同一の H200 を denoising する。チャンク48で、Veloxは注意を4.36\times$に加速し、2.43\times$に減らした。フル158ケースのWBenchナビゲーションスプリットでは、LingBot-Fast-CamのAPIのない平均点0.15に留まっている。詳しくはプロジェクトのページをhttps://velox-world.com/velox/でご覧ください。

論文の概要: Velox: Spatial Memory Makes World Models Efficient

関連論文リスト