X-Cache：少ステップ自己回帰型ワールドモデル推論におけるクロスチャンク・ブロックキャッシング

要旨: リアルタイムのワールドシミュレーションは、自動運転システムの大規模評価およびオンライン強化学習のための主要な基盤インフラになりつつある。自己回帰型ビデオ拡散に基づく近年の走行ワールドモデルは、高忠実度で制御可能なマルチカメラ生成を達成しているが、推論コストがインタラクティブな展開のボトルネックとなっている。しかし、既存の拡散キャッシュ手法は、複数のノイズ除去ステップを伴うオフライン動画生成向けに設計されており、このシナリオには転用できない。少数ステップに蒸留したモデルでは、これらの手法が再利用できるステップ間の冗長性が残っていない。また、シーケンス単位の並列化手法は、クローズドループのインタラクティブ生成が提供しない将来条件付けを必要とする。そこで本論文では、X-Cache を提案する。これは学習不要の加速手法であり、異なる軸でキャッシュを行う。すなわち、ノイズ除去ステップ間ではなく、連続する生成チャンク間でキャッシュする。X-Cache は、チャンクをまたいで永続するブロックごとの残差キャッシュを保持し、構造およびアクションを意識したブロック入力フィンガープリントに対してデュアル・メトリクスのゲーティング機構を適用することで、各ブロックがキャッシュされた残差を再利用するか再計算するかを独立に判断する。自己回帰型 KV キャッシュへの近似誤差の恒久的な汚染を防ぐために、X-Cache は、KV 更新チャンク（永続キャッシュにクリーンなキーとバリューを書き込む順伝播）を特定し、これらのチャンクでは無条件に完全計算を強制することで、誤差の伝播を遮断する。われわれは、少数ステップのノイズ除去とローリング KV キャッシュを備えたマルチブロック因果 DiT 上で構築された、生産環境向けマルチカメラ・アクション条件付け走行ワールドモデルである X-world に X-Cache を実装する。X-Cache は、最低限の劣化を維持しつつ、71% のブロックスキップ率を達成し、ウォールクロック時間を 2.6 倍高速化する。