Cosmos 3 — lokalny model AI od NVIDIA

Autor: Jakub Rusinowski · Ostatnia aktualizacja: 21 lipca 2026

ZAPOWIEDŹ (2026). Otwarty World Foundation Model (WFM) klasy frontier od NVIDII, przeznaczony do Physical AI — pierwszy w pełni otwarty omnimodel, który natywnie rozumie i generuje tekst, obrazy, wideo, dźwięk otoczenia oraz akcje robotów i pojazdów w jednym systemie, przy wiodącej wierności fizyki. Cosmos 3 to dwuwieżowy Mixture-of-Transformers (MoT): wieża rozumująca (autoregresyjny „mózg” wizyjno-językowy interpretujący obrazy, wideo i tekst oraz wnioskujący o ruchu, interakcjach obiektów i fizycznych związkach przyczynowo-skutkowych) plus wieża generatywna oparta na dyfuzji, która na podstawie tego rozumowania przewiduje zgodne z fizyką przyszłe wideo i sekwencje akcji — model „myśli, zanim zadziała”. Obie wieże mają osobne warstwy normalizacji i MLP, ale współdzielą uwagę multimodalną. Wytrenowany na ~20 bilionach tokenów danych multimodalnych (blisko miliard obrazów, ponad 400 mln filmów rzeczywistych i syntetycznych, a także dźwięk i dane o akcjach ludzi i robotów), skraca trening i ewaluację Physical AI z miesięcy do dni, generując syntetyczne światy i przewidując akcje robotów oraz pojazdów autonomicznych. Dostępny w trzech skalach — Super (64B), Nano (16B) i Edge (4B) — na permisywnej licencji OpenMDW-1.1, na Hugging Face (nvidia/) oraz NVIDIA NGC. NVIDIA raportuje najlepsze wyniki open-source na R-Bench, PAI-Bench, Physics-IQ i RoboLab; traktuj liczby premierowe jako podane przez producenta do czasu niezależnego potwierdzenia. To model do robotyki, pojazdów autonomicznych i symulacji świata, a nie czatowy LLM — zweryfikuj specyfikację na kartach modeli, zanim na niej polegniesz.