NVIDIA 发布 Cosmos3-H-Dreams：基于临床胆囊切除术视频的实时生成式手术模拟模型

想象一下在一个实时响应的生成式手术场景中，移动 Cadiere 抓钳、夹住胆囊并将其提起。今天，我们迈出了下一步，推出 Cosmos3-H-Dreams，以迄今为止最具真实感的体内影像，将交互式生成式仿真带入临床手术的视觉与操作复杂性之中。

我们的首个 Cosmos-H-Dreams 版本基于 Cosmos-Predict2.5 构建，将交互式生成式仿真带入了 dVRK 桌面缝合——外科机器人技术的基础试验场。作为世界基础模型（WFM），Cosmos-H-Dreams 展示了数值仿真之外的一种替代方案：它不再显式地对场景几何、组织形变和物理交互建模，而是直接从同步的视频和机器人运动学数据中学习视觉动态，从而实现了高度真实的交互式桌面任务仿真。

如今，Cosmos3-H-Dreams 通过在 CMR Surgical Versius 平台上的临床手术过程中录制的视频和机器人运动学数据进行学习，进一步提升了这一能力。据我们所知，这是首个基于临床胆囊切除术录制数据训练、并支持实时运动学控制的生成式手术仿真器。Cosmos3-H-Dreams 由 Cosmos 3 驱动，并借助 NVIDIA 的加速流式推理库 FlashDreams 进行加速，可在单块 NVIDIA RTX PRO 6000 GPU 上交互式运行。

1. 从桌面任务到临床场景

在 Cosmos-H-Dreams 这样的受控桌面环境中，器械在相对简单的背景下操作。而在人体内部，器械的微小移动可能影响整个场景：组织在牵拉下伸展，反光发生偏移，结构被遮挡，烟雾改变可见度。给定初始图像和提供的器械动作，生成式仿真器必须在生成每一块新视频时捕捉这些响应，同时保持解剖结构和器械的一致性。微小的误差会随时间累积，逐渐改变器械几何形状或解剖结构，因此时间一致性至关重要。

因此，视觉真实性只是验证的起点，而非生物力学准确性的证明。生成的场景还必须遵循控制指令：平移、旋转和夹持器指令应产生连贯的解剖学后果。看似合理却无视这些指令的推演，无法作为交互式环境使用。

在实时控制回路中保持这种保真度和响应性需要低延迟的生成。Cosmos3-H-Dreams 通过一个针对临床胆囊切除术专门化并经蒸馏实现实时生成的模型来应对这一场景，将动作条件化的交互带入具有复杂解剖结构、组织运动和遮挡的场景中。

2. Cosmos3-H-Dreams 有哪些新特性？

2.1 Cosmos 3 基础与更丰富的手术控制

Cosmos3-H-Dreams 构建在 Cosmos3-H-Embodied-Nano 之上——这是一个在 Open-H-Embodiment 上预训练的 160 亿参数模型——并通过精选的胆囊切除术视频和运动学数据对一个双向教师模型进行专门化。样本选择针对两把可见且处于操作状态的器械——左侧的 Cadiere 抓钳和右侧的单极钩——并限制相机指令，以突出器械驱动的交互。

该模型使用 28 个动作维度：双臂的位姿和夹爪信息，外加能量控制、摇杆轴和摇杆按键。训练使用 832 x 480 的视频，动作以 10 Hz 对齐；该采样频率不同于运行时的生成吞吐量。

2.2 从教师模型到四步和两步学生模型

Cosmos3-H-Dreams 将专为长自回归推演设计的师生训练管线与通过 FlashDreams 实现的加速流式推理相结合。

我们首先在 24 个未来帧上适配双向教师模型，然后将预测范围扩展到 72 帧，即 10 Hz 下的 2.4 秒和 7.2 秒。这使教师模型能够在更长的序列上学习手术动力学。

接下来，蒸馏将双向教师模型转化为因果学生模型，后者可以在新动作到来时以短块形式生成视频。因果教师强制（causal teacher forcing）利用录制的上下文为学生模型的顺序生成做好准备。随后，Self-Forcing 在教师模型和一个学习到的评论家模型的引导下，让学生模型基于自身生成的上下文进行训练。这有助于解决交互式推演过程中的误差累积问题。

首个发布的学生模型在每个生成的块上使用四步去噪。随后，我们用两步调度对该学生模型进行进一步训练，生成第二个发布检查点。两步模型是单独训练的，而不是简单地以更少的采样步数运行四步模型。

更少的去噪步数会带来更快的推理速度，但代价是视觉质量下降。这两个检查点让开发者能够探索视觉质量与推理成本之间的平衡。

2.3 通过 FlashDreams 实现流式生成

FlashDreams 提供加速的流式运行时。长推演还需要管理模型的注意力历史。Cosmos3-H-Dreams 集成使用了经过适配的 FadeMem 模块，在长推演过程中整合不断增长的键/值缓存。这与 Self-Forcing 相辅相成：蒸馏解决模型如何从其生成历史中学习的问题，而缓存整合则解决在流式生成过程中如何存储该历史的问题。

3. 探索未见过的轨迹

在临床手术过程中，可能会出现并发症，或者外科医生有进行“新颖”动作的空间。因此，模拟器必须能够泛化到训练数据之外，并用未见过的动作生成连贯的帧。下面的演示展示了 Cosmos3-H-Dreams 在以 VR 头显录制的器械动作为条件时，生成不同的胆囊切除手术场景。

这两段视频从相同的初始帧开始，但遵循不同的动作序列，展示了器械控制如何在物理上精确的组织形变下，导致同一场景产生不同的后续画面。

此外，这些推演使我们能够检查器械是否遵循控制、组织是否对交互产生连贯的响应，以及解剖结构和器械的外观是否随时间保持一致。

4. 适配你自己的数据和控制器

Cosmos3-H-Dreams 提供了用于胆囊切除术的四步和两步检查点。该系统可以适配其他数据集和具备同步视频及兼容动作表示的实体形态。要在你自己的数据集上训练实时学生模型，我们在分步指南中提供了完整的教师模型微调和 Self-Forcing 蒸馏方案。指南介绍了数据准备、公开的教师模型训练工具以及蒸馏阶段。控制器集成必须使用与训练时相同的动作约定和归一化方式。

5. 下一步计划

视觉真实感的进步开辟了若干研究方向：

建模完整手术流程。扩展覆盖范围和时间一致性，使胆囊切除术的所有阶段都能被系统地探索，并具有明确的任务边界和成功标准。
连接生成式模型与数值仿真。将习得的视觉真实感与显式的几何、接触和组织力学相结合。数值模型和测量数据可以帮助约束和验证形变，使仿真行为不仅令人信服，而且可被检验。
与外科医生共同评估。评估解剖结构准确性、器械行为和组织反应，将专家反馈转化为可复现的基准。
支持更多器械。从两种受控工具扩展到更丰富的协作、遮挡和交互。
开发自主手术策略。将世界动作模型与 Cosmos3-H-Dreams 闭环耦合，使策略能够学习明确定义的胆囊切除术子任务。

这些是研究方向，而非已确立的临床能力。Cosmos3-H-Dreams 是一个研究模拟器，不是经过验证的患者护理系统。它为在日益逼真的环境中研究手术交互提供了基础。

6. 立即上手

探索 Cosmos3-H-Dreams 背后的模型、数据和运行时：

Cosmos3-H-Dreams 代码和示例：GitHub 仓库
Cosmos3-H-Dreams 模型：Hugging Face 检查点
Cosmos3-H-Embodied-Nano：Hugging Face 模型和 GitHub 仓库
适配你自己的数据：教师模型微调与 Self-Forcing 蒸馏的分步方案
Open-H-Embodiment：Hugging Face 数据集
FlashDreams：GitHub 仓库
NVIDIA Cosmos 3：GitHub 仓库

带上你的控制器、轨迹和研究问题。我们期待看到社区在这些全新的手术世界中构建出的成果。