WorldCache、動画世界モデルの推論を2.3倍高速化 品質99.4%維持

何が起きたか

arxiv.orgに2026年3月23日付で掲載された論文「WorldCache: Content-Aware Caching for Accelerated Video World Models」において、動画世界モデルの推論を高速化するフレームワーク「WorldCache」が発表された。同フレームワークは、Diffusion Transformers (DiTs) の特徴再利用を動的に制御し、Cosmos-Predict2.5-2Bモデルで2.3倍の推論高速化と99.4%の品質維持を達成したと報告している。

詳細

WorldCacheは、Perception-Constrained Dynamical Cachingフレームワークを採用し、動き適応型しきい値、顕著性重み付きドリフト推定、ブレンディングとワーピングによる最適近似、拡散ステップ全体での位相認識スケジューリングを導入する。これにより、再トレーニングなしで適応的かつ動き一貫性のある特徴再利用を実現する。評価はCosmos-Predict2.5-2BモデルとPAI-Benchデータセットで行われ、既存のトレーニング不要キャッシング手法を上回る性能を示した。コードはプロジェクトページで公開されている。

Key Facts

本紙の見方

今回の発表は、動画世界モデルの推論コスト削減という課題に対する新たな解決策を示すものである。動画世界モデルは高品質な映像生成を実現する一方、逐次的なデノイジングと高コストな時空間アテンションにより計算負荷が大きい。既存のトレーニング不要キャッシング手法は、特徴を静的なスナップショットとして再利用するZero-Order Hold仮定に依存しており、動的シーンではゴーストやぼけ、動きの不整合が生じる問題があった。WorldCacheは、この仮定を緩和し、動きに応じて特徴再利用のタイミングと方法を適応的に制御することで、品質を維持しつつ高速化を実現している。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及はできないが、動画生成モデルの効率化は業界全体の課題であり、今回のアプローチはその一環と位置づけられる。特に、トレーニング不要である点は、既存モデルへの適用が容易であり、実用化へのハードルを下げる可能性がある。 業界構造への含意としては、動画生成AIの推論コストが下がることで、リアルタイムアプリケーションやエッジデバイスでの利用が進む可能性がある。また、キャッシング技術はモデルアーキテクチャに依存するため、DiTsを採用する他のモデルにも応用が期待される。一方で、WorldCacheの評価は特定のモデルとデータセットに限定されており、他のモデルやデータセットでの汎用性は未確認である。 未確定の論点としては、実際の推論速度向上がハードウェアや実装に依存する点、品質維持の指標が主観的評価を含むかどうか、また、キャッシングによるメモリ使用量の増加がどの程度かといった点が挙げられる。さらに、動き適応型しきい値の調整がシーンによって最適でない場合の性能劣化も検証が必要である。

なぜ重要か

動画世界モデルの推論コスト削減は、生成AIの実用化において重要な課題である。WorldCacheはトレーニング不要で既存モデルに適用可能なため、動画生成のリアルタイム化や低コスト化に寄与する可能性がある。今後の他モデルへの適用や実環境での性能検証が注目される。