NVIDIA 发布 Cosmos 3 系列 4 个开放权重世界仿真模型

摘要

NVIDIA Cosmos 世界模型开发平台在 Cosmos 3 模型家族中新增四个开放权重检查点，用于生成交互式世界仿真以及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间的多视角驾驶数据。
🚗 Cosmos3-Nano-Sim-Auto：为驾驶仿真流式输出同步的相机与激光雷达观测。
🎨 Cosmos3-Nano-Sim-Transfer：将仿真器控制信号和文本提示转化为照片级真实感视频。
🤖 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 许可证，在其条款下允许商业和非商业使用。

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中回答这一问题的环境。这些检查点提供了互补的构建方式：Sim-Bimanual 从动作预测视觉后果，而 Sim-Transfer 将物理仿真器的控制信号转化为生成的观测。

🚦 在自动驾驶中，外观与几何必须一致。同步的相机与激光雷达生成将视觉观测与 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，进而研究驾驶策略的响应。

🔄 每次观测都可能决定下一个动作。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与观测如何共同展开的途径。

🌐 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为适配模型、比较方法以及贡献改进提供了共同的起点。这些问题依然困难：未来的工作是衡量模型在哪些方面能可靠地支持策略学习与评估、理解它们的局限，并在不足之处加以改进。

用 Cosmos3-Nano 构建自动驾驶世界

🌦️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。它可跨最多 11 个相机视角（包括鱼眼相机）生成同步视频，并支持 RGB–激光雷达联合生成。逐相机的世界场景图（World Scenario Map，WSM）控制指定场景结构和交通运动，而文本提示则引导外观。

开发者可以改变环境条件来扩大训练和评估的覆盖范围，并可选择提供初始 RGB 图像以锚定场景外观。联合 LiDAR 生成还会使用对齐的 HD-map 距离图控制。 Transfer-Auto 也是将 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 所使用的开发路径。

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。它仅需几个去噪步骤即可生成连续的小块同步相机视频和 LiDAR，利用已生成的历史和更新的驾驶控制来支持快速流式生成和长时交互式 rollout。

提供每个相机的描述文本和同步的 WSM 控制，可选择添加初始 RGB 图像。对于 LiDAR 生成，需包含与相机控制对齐的 HD-Map 距离控制。蒸馏模型使用其滚动历史生成连续的数据块。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，再将其蒸馏为 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：仿真器控制 → RGB

你的仿真器计算运动、接触和物理状态。Sim-Transfer 使用其空间控制和一个文本提示来渲染策略可以使用的彩色观测。

动作 → 仿真器更新 → 空间控制 → 生成的 RGB → 下一个策略动作

深度（Depth）：相对相机的距离。
分割（Segmentation）：区域和物体边界。
边缘（Edges）：场景轮廓。
模糊（Blur）：粗略的外观和布局。

文本引导外观；物理和真值状态仍由仿真器负责。

深度控制生成视频

分割控制生成视频

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

Sim-Bimanual 仿真检查点生成的输出视频

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，可由策略或人工操纵的摇杆控制。

从一张图像开始，移动机器人或相机，并生成接下来的观测。同一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，训练时会填充到 64 个。其 schema 定义了坐标系、旋转、夹爪校准、有效掩码和控制域。请遵循这些约定，确保每个值描述的都是预期的动作。

保持时序对齐：T 次转移需要 T+1 个观测。训练过程会将原始采集数据转换为模型的动作表示；发布的推理动作已经是归一化的。

在这里，Sim-Transfer 从物理模拟器更新后的状态生成视觉画面；Sim-Bimanual 则直接从场景和机器人动作生成下一个观测。

请参阅数据契约和动作 schema。

要求：Linux、一块 NVIDIA GPU、Docker 和 NVIDIA Container Toolkit。已发布的 vLLM-Omni 环境在一块 GB200 上测试过；这并非最低显存规格。服务器会下载权重；客户端获取示例输入。

将您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

流式生成的工作原理

Cosmos 3 的 Mixture-of-Transformers 骨干网络通过注意力机制将独立的文本处理网络和视觉生成网络连接起来。生成器根据提示词、可用的控制信号和已生成的历史，预测每个短片段。

控制信号 + 历史 → 生成片段 → 解码图像 → 更新历史

去噪将含噪的压缩视频表示细化为一个片段。时间因果注意力让它可以读取可用的历史和控制信号，同时阻止读取未来的目标观测。一个键/值缓存会保留注意力信息，供下一次预测使用。

该模型在称为潜变量的压缩视频表示上运行。在初始图像之后，每个潜变量时间步代表四帧 RGB 图像。Transfer 每个片段预测一步；报告中的优化版 Bimanual 设置预测两步。更小的片段能让新的控制信号更频繁地影响生成过程。

四阶段训练方案

阶段 0 — 双向适配：从完整的录制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：根据较早的录制观测和可用的控制信号预测每个片段，同时将干净答案和未来目标掩码掉。
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内生成每个片段。
阶段 3 — 自我强制：在学生模型生成的历史上进行训练。冻结的教师模型和一个辅助评分模型提供分布匹配信号。

为什么最后一个阶段很重要：一个略有偏差的预测对象会成为后续帧的上下文，因此误差可能会累积。自我强制让训练接触到这种生成历史。蒸馏和缓存降低了生成每个观测的成本。

🛠️ 用您的数据进行适配

后训练方案从 Cosmos3-Nano 或兼容的基础权重开始，覆盖全部四个阶段。请保留完整的训练检查点以便恢复训练；导出的推理权重会省略优化器和其他训练状态。

Transfer-auto：在您的驾驶数据上进行后训练，以适配您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 模型应用因果训练和蒸馏，实现快速流式模拟。
Sim-Transfer ：使用本地数据准备、阶段配置和断点续训，针对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，针对你的机器人本体进行后训练。

把技能和数据集位置交给你的编程智能体。按照环境检查流程操作，验证一个样本，并在长时间运行之前先测试训练和重启。在留出的回合上评估质量：一次成功的短时间运行只能验证执行是否正常，而非是否收敛。