Kairos: 물리 AI를 위한 네이티브 월드 모델 스택

Kairos: A Native World Model Stack for Physical AI

월드 모델은 수동적인 시각 정보 생성기로부터, 물리 AI의 핵심적인 운영 인프라로 진화하고 있습니다. 이러한 변화에 맞춰, 월드 모델은 다양한 경험으로부터 본질적인 세계 지식을 습득하고, 장기간에 걸쳐 일관된 상태를 유지하며, 실제 배포 환경에서의 제약 조건 내에서 효율적으로 작동해야 합니다. 본 논문에서는 이러한 요구 사항을 충족하도록 설계된 네이티브 월드 모델 스택인 Kairos를 소개합니다. (1) Kairos는 '크로스-엠바디먼트 데이터 커리큘럼'에 기반한 독창적인 네이티브 사전 훈련 패러다임을 통해 세계를 학습합니다. 이 커리큘럼은 개방형 비디오, 인간 행동 데이터 및 로봇 상호 작용을 체계적인 발전 경로로 구성합니다. (2) Kairos는 '네이티브 통합 아키텍처' 내에서 세계에 대한 통일된 이해, 생성 및 예측 기능을 제공하며, 하이브리드 선형 시간 주의 메커니즘을 통해 구현됩니다. 여기서 슬라이딩 윈도우 주의는 지역적 동역학을 포착하고, 확장된 슬라이딩 윈도우는 중간 범위의 의존성을 파악하며, 게이티드 선형 주의는 지속적인 글로벌 메모리를 유지합니다. 우리는 이 시간 분해 방식을 통해 오류 축적이 엄격하게 제한되어, 수학적으로 장기간에 걸친 상태 전파를 보장하는 공식적인 이론적 경계를 제시합니다. (3) Kairos는 '배포 환경 인식 시스템 코-디자인'을 통합하여 서버 및 일반 소비자용 하드웨어에서 저지연 롤아웃 생성을 지원하며, 이를 통해 실제 관찰-행동-피드백 루프를 구현합니다. 임베디드 월드 모델, 장기 예측 및 행동 정책 평가 벤치마크 실험 결과, Kairos는 최상위 성능을 달성하면서 강력한 효율성과 기능 간의 균형을 제공하는 것으로 나타났습니다. 종합적으로, 이러한 결과들은 Kairos를 미래의 자기 진화적인 물리 지능을 위한 통합적인 운영 기반으로 자리매김합니다.

World models are transitioning from passive visual generators to foundational, operational infrastructure for Physical AI: they must natively acquire world knowledge from heterogeneous experience, maintain persistent states over long horizons, and execute efficiently within real deployment constraints. We introduce Kairos, a native world model stack designed around these requirements. (1) Kairos learns the world by pioneering a Native Pre-training Paradigm governed by a Cross-Embodiment Data Curriculum, which organizes open-world videos, human behavioral data, and robot interactions into a progressive developmental pathway. (2) Kairos maintains the world by unified world understanding, generation, and prediction within a Native Unified Architecture equipped with Hybrid Linear Temporal Attention, where sliding-window attention captures local dynamics, dilated sliding windows capture mid-range dependencies, and gated linear attention maintains persistent global memory. We establish formal theoretical bounds demonstrating that this temporal factorization strictly limits error accumulation, mathematically guaranteeing state propagation across extended horizons. (3) Kairos runs the world by incorporating a Deployment-Aware System Co-Design to support low-latency rollout generation on server and consumer-grade hardware for real-world observation-action-feedback loops. Experiments on embodied world-model, long-horizon, and action-policy benchmarks show that Kairos achieves top level performance while offering a strong efficiency-capability trade-off. Together, these results position Kairos as a cohesive operational foundation for future self-evolving physical intelligence.