NVIDIA 发布 Cosmos 3 系列四个开放权重世界模型

TL;DR

NVIDIA Cosmos 世界模型开发平台为其 Cosmos 3 模型家族新增四个开放权重检查点，用于生成交互式世界仿真和多传感器多视角驾驶场景：

🌦️ Cosmos3-Nano-Transfer-Auto：生成具有不同天气、光照和一天中不同时段的多视角驾驶数据。

🚗 Cosmos3-Nano-Sim-Auto：为驾驶仿真流式输出同步的相机和 LiDAR 观测。

🎨 Cosmos3-Nano-Sim-Transfer：将模拟器控制和文本提示转化为逼真视频。

🤖 Cosmos3-Nano-Sim-Bimanual：根据机器人或相机动作预测视频。

这四个模型都是 Cosmos 3 Nano 的后训练示例，拥有 16B 可训练参数。这些模型采用 OpenMDW1.1，允许按其条款进行商业和非商业使用。

下载检查点 · 阅读技术报告 · 观看演示

为什么需要这些检查点？

🦾 机器人技术需要能够在不断变化的场景和视角下回答这一问题的环境。这些检查点提供了构建此类环境的互补方式：Sim-Bimanual 根据动作预测视觉后果，而 Sim-Transfer 将物理模拟器的控制转化为生成的观测。

🚦 对于自动驾驶，外观和几何必须一致。同步的相机和 LiDAR 生成将视觉观测与 3D 传感连接起来。场景和交通信号控制让研究人员能够改变道路布局和信号状态，然后研究驾驶策略如何响应。

🔄 每个观测都能塑造下一个动作。流式生成将视频预测与持续交互连接起来，为世界模型研究人员提供了一种探索动作和观测如何共同展开的方式。

🌐 一个供他人构建的开放基础。NVIDIA 的愿景是帮助研究人员和开发者创建更丰富、响应更灵敏的仿真世界。开放权重和后训练配方提供了一个共享起点，用于适配模型、比较方法并贡献改进。这些问题仍然困难：未来的工作是衡量模型在何处忠实支持策略学习和评估，理解其局限，并在不足之处加以改进。

🌦️Transfer-Auto：驾驶场景 → 多传感器数据

Cosmos3-Nano-Transfer-Auto 是一个用于离线合成驾驶数据生成的双向模型。它生成跨最多 11 个相机视角（包括鱼眼）的同步视频，并支持 RGB–LiDAR 联合生成。每相机世界场景图（WSM）控制指定场景结构和交通运动，而文本提示引导外观。

开发者可以改变环境条件以扩展训练和评估覆盖范围，并可选择初始 RGB 图像来锚定场景外观。联合 LiDAR 生成还使用对齐的 HD 地图距离图控制。Transfer-Auto 还可作为将 Cosmos 适配到你自己的传感器配置和驾驶领域的基础。首先在你的数据上对其进行后训练，以适应你的相机布局、LiDAR 配置和目标环境。适配后的模型可直接用于离线数据生成，或经过因果训练和少步蒸馏用于快速流式仿真——这正是创建 Cosmos3-Nano-Sim-Auto 所用的开发路径。

将你的智能体指向开放技能：使用 Cosmos3-Nano-Transfer-Auto 运行推理

更喜欢 notebook？打开 Transfer-Auto。

🚗Sim-Auto：驾驶控制 → 流式观测

Cosmos3-Nano-Sim-Auto 是 Transfer-Auto 的因果蒸馏流式变体。它仅需少量去噪步骤即可生成连续的小块同步相机视频和 LiDAR，利用生成的历史和更新的驾驶控制来支持快速流式传输和长时间交互式推演。

提供每相机字幕和同步的 WSM 控制，可选添加初始 RGB 图像。对于 LiDAR 生成，包含与相机控制对齐的 HD 地图距离控制。蒸馏模型利用其滚动历史生成连续块。闭环交互需要仿真运行时和 WSM 渲染器来根据驾驶输入更新这些控制。对于新的传感器配置或领域，先适配 Transfer-Auto，然后将其蒸馏为 Sim-Auto。

将你的智能体指向开放技能：使用 Cosmos3-Nano-Sim-Auto 运行推理

更喜欢 notebook？打开 Sim-Auto。

🎨 Sim-Transfer：模拟器控制 → RGB

你的模拟器计算运动、接触和物理状态。Sim-Transfer 使用其空间控制和文本提示来渲染策略可以消费的颜色观测。

动作 → 模拟器更新 → 空间控制 → 生成的 RGB → 下一个策略动作

深度：距相机的相对距离。

分割：区域和对象边界。

边缘：场景轮廓。

模糊：粗略外观和布局。

文本引导外观；物理和真值状态保留在模拟器中。

深度控制到视频

分割控制到视频

将你的智能体指向开放技能：使用 Cosmos3-Nano-Sim-Transfer 运行推理

更喜欢 notebook？使用 Transfer。

🤖 Sim-Bimanual：动作 → 视频

输入帧

Cosmos3-Nano-Sim-Bimanual 模拟环境如何响应双臂机器人的动作而演化。它支持 YAM 和 AgiBot 本体的交互式双臂仿真，由策略或人工操作的操纵杆控制。

从一张图像开始，移动机器人或相机，并生成下一个观测。一个控制序列可以在视角变化和操作之间切换。

混合动作示例使用 59 个控制值，在训练期间填充至 64 个。其 schema 定义了坐标系、旋转、夹爪校准、有效性掩码和控制域。遵循这些约定，使每个值描述预期的运动。

保持时序对齐：T 个转换需要 T+1 个观测。训练将原始采集转换为模型的动作表示；发布的推理动作已经过归一化。

在这里，Sim-Transfer 从物理模拟器的更新状态生成视觉内容；Sim-Bimanual 直接从场景和机器人动作生成下一个观测。

参见数据契约和动作 schema。

要求：Linux、NVIDIA GPU、Docker 和 NVIDIA Container Toolkit。发布的 vLLM-Omni 设置在一台 GB200 上测试；这不是最低内存规格。服务器下载权重；客户端获取示例输入。

将你的智能体指向开放技能：使用 Cosmos3-Nano-Sim-Bimanual 运行推理

更喜欢 notebook？打开 Bimanual

流式生成如何工作

Cosmos 3 的 Mixture-of-Transformers 骨干通过注意力连接独立的文本处理网络和视觉生成网络。生成器根据提示、可用控制和已生成的历史预测每个短片段。

控制 + 历史 → 生成块 → 解码图像 → 更新历史

去噪将带噪、压缩的视频表示精炼为片段。时序因果注意力使其能够读取可用的历史和控制，同时屏蔽未来的目标观测。键/值缓存保留注意力信息以供下一次预测。

该模型在称为 latent 的压缩视频表示上运行。在初始图像之后，每个 latent 时间步代表四个 RGB 帧。Transfer 每个块预测一步；报告中优化的 Bimanual 设置预测两步。更小的块让新控制更频繁地影响生成。

四阶段训练配方

阶段 0——双向适配：从完整录制的片段中学习该领域及其控制到视频的关系。

阶段 1——教师强制：从较早的录制观测和可用控制预测每个块，同时屏蔽干净答案和未来目标。

阶段 2——一致性蒸馏：使用冻结的教师模型训练学生模型，使其在四个去噪步骤中生成每个块。

阶段 3——自强制：在学生模型生成的历史上进行训练。冻结的教师模型和辅助评分模型提供分布匹配信号。

为什么最后阶段很重要：一个略有误预测的物体会成为后续帧的上下文，因此误差可能累积。自强制让训练接触到该生成历史。蒸馏和缓存降低了生成每个观测的成本。

🛠️ 用你的数据进行适配

后训练配方从 Cosmos3-Nano 或兼容的基础权重开始，涵盖全部四个阶段。保留完整训练检查点以便恢复；导出的推理权重省略优化器和其他训练状态。

Transfer-auto：在你的驾驶数据上进行后训练，以适配你的传感器配置和领域，并生成离线合成数据。

Sim-auto：对适配后的 Transfer-Auto 模型应用因果训练与蒸馏，以实现快速流式仿真。

Sim-Transfer：通过本地数据准备、阶段配置和恢复，为你的环境对检查点进行后训练。

Sim-Bimanual：通过数据验证、阶段配置、检查点交接和导出，为你的具身形态进行后训练。

将技能和数据集位置交给你的编码智能体。遵循环境检查，验证一个样本，并在长时间运行前测试训练和重启。在留出片段上评估质量：一次成功的短运行验证的是执行，而非收敛。

🤗 下载检查点

📺 观看 Cosmos Labs 直播回放

📖 阅读技术博客

本文提及的模型 4

nvidia/Cosmos3-Nano-Sim-Auto

nvidia/Cosmos3-Nano-Sim-Bimanual

nvidia/Cosmos3-Nano-Sim-Transfer

nvidia/Cosmos3-Nano-Transfer-Auto

本文提及的合集 2

NVIDIA Nemotron 3.5 Transcribe 与 Granary v2：可提示、可适配的智能多语言转录

本文提及的模型 4

nvidia/Cosmos3-Nano-Sim-Auto

nvidia/Cosmos3-Nano-Sim-Bimanual

nvidia/Cosmos3-Nano-Sim-Transfer

nvidia/Cosmos3-Nano-Transfer-Auto

本文提及的合集 2

Cosmos3

Cosmos3-Examples